Panduan IBM Translate

579
Panduan IBM ® SPSS ® Amos ™ 20 Pengguna James L. Arbuckle Catatan: Sebelum menggunakan informasi ini dan produk yang terkait, membaca informasi dalam "Pemberitahuan" di halaman 631. Edisi ini berlaku untuk IBM ® SPSS ® Amos ™ 20 (nomor produk 5725-A60) dan untuk semua rilis berikutnya dan modifikasi sampai dinyatakan dalam edisi baru. Screenshot produk Microsoft direproduksi dengan izin dari Microsoft Corporation. Bahan Berlisensi - Properti IBM © Copyright IBM Corp tahun 1983, 2011. Pengguna Pemerintah AS Hak Terbatas - Penggunaan, penggandaan, atau pengungkapan dibatasi oleh GSA ADP Jadwal Kontrak dengan IBM Corp © Copyright 2011 Amos Development Corporation. Semua Hak Dilindungi. AMOS adalah merek dagang dari Amos Development Corporation. Isi Bagian I: Memulai 1 Pendahuluan 1 Feature Metode. . 2 Tentang Tutorial. 3 Tentang Contoh. 3 Tentang Dokumentasi. 4 Sumber Informasi. 4 Ucapan Terima Kasih. 5 2

Transcript of Panduan IBM Translate

Panduan IBM ® SPSS ® Amos ™ 20 Pengguna

James L. Arbuckle

Catatan: Sebelum menggunakan informasi ini dan produk yang terkait, membaca informasi dalam "Pemberitahuan" di halaman 631. Edisi ini berlaku untuk IBM ® SPSS ® Amos ™ 20 (nomor produk 5725-A60) dan untuk semua rilis berikutnya dan modifikasi sampai dinyatakan dalam edisi baru. Screenshot produk Microsoft direproduksi dengan izin dari Microsoft Corporation. Bahan Berlisensi - Properti IBM © Copyright IBM Corp tahun 1983, 2011. Pengguna Pemerintah AS Hak Terbatas - Penggunaan, penggandaan, atau pengungkapan dibatasi oleh GSA ADP Jadwal Kontrak dengan IBM Corp © Copyright 2011 Amos Development Corporation. Semua Hak Dilindungi. AMOS adalah merek dagang dari Amos Development Corporation.

Isi

Bagian I: Memulai 1 Pendahuluan 1

Feature Metode. . 2 Tentang Tutorial. 3 Tentang Contoh. 3 Tentang Dokumentasi. 4 Sumber Informasi. 4 Ucapan Terima Kasih. 5

2

Tutorial: Memulai dengan Amos Graphics

7

Pendahuluan. 7 Tentang Data. 8 Launching Amos Graphics. 9 Membuat Model Baru.

10 Menentukan Data File. 11 Menentukan Model dan Variabel Menggambar. 11 Penamaan Variabel. 12 Arrows Menggambar. 13 Membatasi Parameter. 14 Mengubah Penampilan dari Diagram Path. 15 Untuk Pindah Obyek. Untuk Membentuk Obyek atau Double-Headed panah. Untuk Menghapus Object. Untuk Undo Aksi. Untuk Redo Aksi. Menyiapkan output Opsional. 16 Melakukan Analisis. 18 Melihat Output. 18 Untuk Lihat Teks Output. 18 Untuk Lihat Keluaran Graphics. 19 Mencetak Diagram Path. 20 Menyalin Diagram Path. 21 Menyalin Teks Output. Bagian II: Contoh 1 Memperkirakan Varians dan covariances 23 23 Tentang Data. 23 Membawa Dalam Data. 24 Menganalisis Data. 25 Menentukan Model. Penamaan Variabel. Mengubah Font. Membangun covariances Melakukan Analisis. 25 26 27 27 28 Melihat Keluaran Graphics. 28 Melihat Text Output. 29 Keluaran Opsional. 33 Menghitung Perkiraan Standar. 33 Siarang Analisis. 34 Melihat Korelasi Perkiraan sebagai Teks Output. 34 Asumsi Distribusi Amos Model. 35 Modeling di VB.NET. 36 Membangkitkan output tambahan. 39 Modeling di C #. 39 Lainnya Program Development Tools. 40 .41 Tentang Data. .41 Parameter Kendala. .41 Membatasi Varians. .42 Menentukan Parameter Equal. .43 Membatasi covariances. .44 Memindahkan dan Memformat Objects.

.45 Input Data.

.46 Melakukan Analisis.

.47 Melihat Text Output.

.47 Output Opsional.

.48 Perkiraan Matrix Kovarian.

.49 Menampilkan Kovarian dan Perkiraan varians pada Diagram Path.

.51 Pelabelan Output.

.51 Pengujian Hipotesis.

.52 Menampilkan Statistik Chi-Square pada Diagram Path.

.53 Modeling di VB.NET.

.55 Waktu adalah Segalanya.

.57

3

Lebih Pengujian Hipotesis

59

.59 Tentang Data.

.59 Membawa Dalam Data.

.59 Uji Hipotesis Itu Dua Variabel tidak berkorelasi.

.60 Menentukan Model.

.60 Melihat Text Output.

.62 Melihat Graphics Output.

.63 Modeling di VB.NET.

.65

v

4

Regresi Linear Konvensional

67

67 Tentang Data.

67 Analisis Data. 68 Menentukan Model. 69 Identifikasi. 70 Regresi Berat Memperbaiki. 70 Melihat Output Text. 72 Melihat Graphics Output. 74 Melihat Tambahan Text Output. 75 Modeling di VB.NET. 77 Asumsi tentang Korelasi antara Variabel eksogen. 77 Format Persamaan untuk Metode AStructure. 78

Variabel teramati

81

81 Tentang Data. 81 Model A. 83 Model Pengukuran. 83 Model Struktural. 84 Identifikasi. 85 Menentukan Model. 85 Mengubah Orientasi Daerah Menggambar Membuat Diagram Path. Rotating Indikator. Duplicating Model Pengukuran. Memasuki Nama Variabel. Melengkapi Model Struktural. 86 87 88 88 90 90

Hasil untuk Model A. 90 Melihat Output Graphics. 93

vi

Model B. .93 Hasil untuk Model B. .94 Model B Pengujian terhadap Model A.. .96 Modeling di VB.NET. .98 Model A.

.98 B Model.

.99

6

Analisis Eksplorasi

101

101 Tentang Data. 101 Model A untuk data Wheaton. 102 Menentukan Model. Identifikasi. Hasil Analisis Berurusan dengan Penolakan Indeks Modifikasi. 102. 103. 104. 105. 108. 109. 110. 110

Model B untuk data Wheaton. 107 Teks Output. Keluaran grafis untuk Model B. Penyalahgunaan Indeks Modifikasi. Meningkatkan Model oleh Menambahkan Kendala Baru.

Model C untuk data Wheaton. 114 Hasil untuk Model C. 114 Pengujian Model C. Perkiraan Parameter 115 untuk Model C. 115 Beberapa Model dalam Analisis Tunggal. 116 Output dari Beberapa Model. 119 Melihat Graphics Output Model individu. Melihat Statistik Fit untuk Semua Empat Model. Mendapatkan output Opsional. Mendapatkan Tabel tidak langsung, langsung, dan Total Effects. 119.

121. 122

vii

Modeling dalam VB.NET. 123 Model A. Model C. Fitting Beberapa Model. 123 124 125 126

Model nonrecursive

129

129 Tentang Data. 129 Felson dan Model Bohrnstedt itu. 130 Model Identifikasi. 131 Hasil Analisis. 131 Teks Output. Mendapatkan Perkiraan Standar. Mendapatkan Squared Beberapa Korelasi Graphics Output. Stability Index. 131 133 133 134 135

136

8

Analisis Faktor

137

137 Tentang Data. 137 Sebuah Faktor Model umum. 138 Identifikasi.

139 Menentukan Model. 140 Menggambar Model. 140 Hasil Analisis. 141 Mendapatkan Perkiraan Standar. 142 Melihat Perkiraan Standar. 143 Modeling di VB.NET. 144

viii

9

Alternatif untuk Analisis Kovarian 145

145 Analisis Kovarian dan Alternatif Its. 145 Tentang Data. 146 Analisis Kovarian. 147 Model A untuk data Olsson. 147 Identifikasi. 148 Menentukan Model A. 149 Hasil untuk Model A. 149 Mencari Model Lebih Baik. 149 Meminta Indeks Modifikasi. 149 B Model Data Olsson. 150 Hasil untuk Model B. 151 Model C untuk data Olsson. 153 Menggambar Diagram Jalur untuk Model C. 154 Hasil untuk Model C. 154 Pemasangan Semua Model Sekaligus. 154 Modeling di VB.NET. 155 Model A. 155. 156. 157

10 Analisis Simultan Beberapa Grup 159

159 Analisis Beberapa Grup. 159 Tentang Data. 160 Model A. 160 Konvensi untuk Menentukan Perbedaan Kelompok Menentukan Model A. Teks Output.

Graphics Output. .

ix

.

161. 166. 167

168 Teks Output. 170 Graphics Output. 171 Modeling di VB.NET. 171 Model A. 171 B Model. 172 Beberapa Model Input. 173

11 Felson and Girls Bohrnstedt dan anak laki-laki

175

175 Felson dan Model Bohrnstedt itu. 175 Tentang Data. 175 Menentukan Model A for Girls and Boys. 176 Menentukan Gambar Caption. 176 Teks Output untuk Model A. 179 Graphics Output untuk Model A. 181 Mendapatkan Rasio Kritis untuk Perbedaan Parameter. 182 Model B for Girls and Boys. 182 Hasil untuk Model B. 184 Teks Output. 184 Graphics Output. 187 Model Fitting A dan B dalam Analisis Tunggal. 188 Model C for Girls and Boys. 188 Hasil untuk Model C. 191 Modeling di VB.NET. 192 Model A. 192 193 193 194

x

12 Simultan Analisis Faktor untuk Beberapa Grup

195

195 Tentang Data. 195 Model A untuk Holzinger dan Swineford Boys and Girls. 196 Penamaan Grup. 196 Menentukan Data. 197 Hasil untuk Model A. 198 Teks Output. 198 Graphics Output. 199 B Model untuk Holzinger dan Swineford Boys and Girls. 200 Hasil untuk Model B. 202 Teks Output. 202 Graphics Output. 203 Modeling di VB.NET. 206 Model A. 206 Model B. 207

13 Estimasi dan Pengujian Hipotesis tentang Means

209

209 Sarana dan Modeling Intercept. 209 Tentang Data. 210 Model A untuk Subjek Muda dan Tua. 210 Berarti Struktur Modeling di Amos Graphics. 210 Hasil untuk Model A. 212 Teks Output. 212 Graphics Output. 214 B Model Subjek Muda dan Tua. 214 Hasil untuk Model B. 216 Perbandingan Model B dengan Model A. 216

xi

Beberapa Model Input. 216 Berarti Struktur Modeling di VB.NET. 217 Model A. 217 B Model. 218 Fitting Beberapa Model. 219

14 Regresi dengan Intercept Eksplisit

221

221 Asumsi Dibuat oleh Amos. 221 Tentang Data. 222 Menentukan Model. 222 Hasil Analisis. 223 Teks Output. 223 Graphics Output. 225 Modeling di VB.NET. 225

15 Analisis Faktor dengan Sarana Terstruktur

229

229 Faktor Sarana. 229 Tentang Data. 230 Model A untuk Boys and Girls. 230 Menentukan Model. 230 Memahami Kendala Lintas Group. 232 Hasil untuk Model A. 233 Teks Output. 233 Graphics Output. 233 B Model for Boys and Girls. 235 Hasil untuk Model B. 237 Model Membandingkan A dan B.. 237

xii

238 Model A. 238 B Model. 239 Fitting Beberapa Model. 240

Alternatif 16 Sörbom untuk Analisis Kovarian

241

241 Asumsi. 241 Tentang Data. 242 Mengubah Perilaku default. 243 Model A. 243 Menentukan Model. 243 Hasil untuk Model A. 245 Teks Output. 245 B Model. 247 Hasil untuk Model B. 249 Model C.. 250 Hasil untuk Model C. 251 Model D. 252 Hasil untuk Model D. 253 Model E. 255 Hasil untuk Model E. 255 Model Fitting A Melalui E dalam Analisis Tunggal. 255 Perbandingan Metode Sörbom dengan Metode Contoh 9. 256 Model X.. 256 Modeling di Amos Graphics. 256 Hasil untuk Model X. 257 Model Y. 257 Hasil untuk Model Y. 259 Model Z. 260

xiii

Hasil untuk Model Z. 261 Modeling di VB.NET. 262 Model A. Model D. Model E. Model X, Y, dan Z. 262 263 264 265 266 267 268

17 Data yang Hilang

269

269 data lengkap. 269 Tentang Data. 270 Menentukan Model. 271 Jenuh dan Independence Model. 272 Hasil Analisis. 273 Teks Output. 273 Graphics Output. 275 Modeling di VB.NET. 275 Fitting Factor Model (Model A). Pas Model Jenuh (Model B). Menghitung Kemungkinan Ratio Chi-Square Statistik dan P. Pertunjukan Semua Langkah dengan Satu Program. 276 277 281 282

18 Lebih tentang Data Hilang

283

283 data Hilang. 283 Tentang Data. 284 Model A. 285 Hasil untuk Model A. 287

xiv

287 Teks Output. 287 B Model. 290 Output dari Model A dan B.. Modeling 291 di VB.NET. 292 Model A. 292 Model B. 293

19 Bootstrap

295

295 Metode Bootstrap. 295 Tentang Data. 296 Sebuah Analisis Faktor Model. 296 Pemantauan Kemajuan Bootstrap tersebut. 297 Hasil Analisis. 297 Modeling di VB.NET. 301

20 Bootstrap untuk Model Perbandingan

303

303 Bootstrap Pendekatan Model Perbandingan. 303 Tentang Data. 304 Lima Model. 304 Teks Output. 308 Ringkasan. 310 Modeling di VB.NET. 310

21 Bootstrap untuk Bandingkan Metode Estimasi

311

311 Metode Estimasi.

xv

Tentang Data. 312 Tentang Model. 312 Teks Output. 315 Modeling di VB.NET. 318

22 Spesifikasi Pencarian

319

319 Tentang Data. 319 Tentang Model. 319 Spesifikasi Pencarian dengan beberapa Arrows Opsional. 320 Menentukan Model. Memilih Program Pilihan. Melakukan Spesifikasi Search. Melihat Model Generated. Melihat Parameter Perkiraan untuk Model. Menggunakan BCC ke Bandingkan Model. Melihat Berat Akaike. Menggunakan BIC Bandingkan Model. Menggunakan Bayes Faktor Bandingkan Model. Rescaling Faktor Bayes. Meneliti Daftar Pendek Model.

Berikut adalah dua manfaat:

?? Jika Anda menentukan bahwa dua parameter yang sama dalam populasi dan jika Anda benar

dalam spesifikasi ini, maka Anda akan mendapatkan perkiraan yang lebih akurat, tidak hanya satu parameter yang sama tetapi biasanya yang lain juga. Ini adalah satu-satunya manfaat jika Anda kebetulan tahu bahwa parameter adalah sama.

Jika kesamaan dua parameter adalah hipotesis belaka, membutuhkan perkiraan mereka untuk

sama akan menghasilkan uji hipotesis itu.

Membatasi covariances

Model Anda juga dapat mencakup pembatasan pada parameter selain varians. Sebagai contoh, Anda mungkin berhipotesis bahwa kovarians antara recall1 dan place1 sama dengan kovarians antara recall2 dan place2. Untuk memaksakan kendala ini:

E Di area gambar, klik kanan panah berkepala dua yang menghubungkan recall1 dan place1, dan pilih Object Properties dari menu pop-up. E Klik tab Parameter. E Dalam kotak teks Kovarian, ketik string non-numerik seperti cov_rp. E Gunakan metode yang sama untuk mengatur kovarians antara recall2 dan place2 ke cov_rp.

45 Hipotesis Pengujian

Memindahkan dan Memformat Objects

Sedangkan tata letak horisontal baik-baik saja untuk contoh kecil, tidak praktis untuk analisis yang lebih kompleks. Berikut ini adalah tata letak yang berbeda dari diagram jalur yang kami telah bekerja:

46 Contoh 2

Anda dapat menggunakan alat-alat berikut untuk mengatur ulang diagram jalur Anda sampai terlihat seperti di atas:

Untuk memindahkan objek, pilih Edit → Pindah dari menu, dan kemudian tarik objek ke lokasi baru. Anda juga dapat menggunakan tombol Move untuk menyeret endpoint panah. Untuk menyalin format dari satu objek ke yang lain, pilih Edit → Drag Properties dari

menu, pilih properti Anda ingin menerapkan, dan kemudian tarik dari satu objek yang lain. Untuk informasi lebih lanjut tentang Properties fitur Drag, lihat bantuan online.

Input Data

Contoh ini menggunakan data file dalam format SPSS Statistik. Jika Anda memiliki Statistik SPSS terinstal, Anda dapat melihat data saat Anda memuatnya. Bahkan jika Anda tidak memiliki Statistik SPSS diinstal, Amos masih akan membaca data.

E Dari menu, pilih File → Data File. E Pada kotak dialog Data File, klik File Name. E Browse ke folder Contoh. Jika Anda melakukan instalasi khas, jalan

C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Contoh \ <language>.

E Dalam daftar Berkas jenis, pilih SPSS Statistik (*. Sav), klik Attg_yng, dan kemudian klik Terbuka. E Jika Anda memiliki Statistik SPSS diinstal, klik tombol View Data dalam Data File dialog

kotak. Sebuah jendela Statistik SPSS terbuka dan menampilkan data.

47 Hipotesis Pengujian

E Review data dan menutup tampilan data. E Pada kotak dialog Data File, klik OK.

Melakukan Analisis

E Dari menu, pilih Analyze → Hitung Perkiraan. E Dalam Simpan sebagai kotak dialog, masukkan nama file dan klik Simpan.

Amos menghitung perkiraan Model.

Melihat Teks Keluaran

E Dari menu, pilih View → Text Output. E Untuk melihat estimasi parameter, klik Perkiraan dalam diagram pohon di kiri atas

panel dari jendela Output Amos.

48 Contoh 2

Anda dapat melihat bahwa parameter yang ditentukan harus sama memiliki perkiraan yang sama.

Kesalahan standar di sini umumnya lebih kecil daripada standar error diperoleh pada Contoh 1. Juga, karena kendala pada parameter, ada derajat sekarang positif kebebasan.

E Sekarang klik Catatan untuk Model di sebelah kiri atas dari jendela Output Amos.

Sementara masih ada 10 varians sampel dan covariances, jumlah parameter yang akan diperkirakan hanya tujuh. Berikut adalah bagaimana angka tujuh yang tiba di: Varians dari recall1 dan recall2, v_recall berlabel, yang dibatasi untuk menjadi sama, dan dengan demikian dihitung sebagai parameter tunggal. Varians dari place1 dan place2 (berlabel v_place) dihitung sebagai parameter lain tunggal. Parameter ketiga sesuai dengan covariances sama recall1 <> place1 dan recall2 <> place2 (berlabel cov_rp). Ketiga parameter, ditambah empat berlabel, covariances terbatas, menambahkan hingga tujuh parameter yang harus diestimasi. Derajat kebebasan (10-7 = 3) juga dapat dianggap sebagai jumlah kendala ditempatkan pada awal 10 varians dan covariances.

Keluaran opsional

Output saja kita bahas adalah semua yang dihasilkan oleh default. Anda juga dapat meminta output tambahan:

E Dari menu, pilih View → Analisis Properties. E Klik tab Output. E Pastikan bahwa kotak centang berikut dipilih: sejarah Minimalisasi, perkiraan Standar, saat Contoh, saat Tersirat, dan saat-saat Residual.

49 Hipotesis Pengujian

E Dari menu, pilih Analyze → Hitung Perkiraan.

Amos kalkulasi ulang estimasi Model.

Perkiraan Matrix Kovarian

E Untuk melihat varians sampel dan covariances dikumpulkan ke dalam matriks, pilih View → Text Output dari menu. E Klik Contoh Moments dalam diagram pohon di sudut kiri atas Output Amos

window.

50 Contoh 2

Berikut adalah contoh matriks kovariansi:

E Dalam diagram pohon, memperluas Estimasi dan kemudian klik Matriks.

Berikut ini adalah matriks kovariansi tersirat:

Perhatikan perbedaan antara sampel dan matriks kovarians tersirat. Karena model membebankan tiga kendala pada struktur kovarians, varians tersirat dan covariances berbeda dari nilai-nilai sampel. Misalnya, varians sampel place1 adalah 33,58, tetapi perbedaan itu tersirat adalah 27.53. Untuk mendapatkan matriks covariances sisa (sampel covariances dikurangi covariances tersirat), menempatkan tanda centang di sebelah momen Residual pada tab output dan ulangi analisis. Berikut ini adalah matriks kovariansi sisa:

51 Hipotesis Pengujian

Menampilkan Kovarian dan Perkiraan varians pada Diagram Jalur

Seperti pada Contoh 1, Anda dapat menampilkan kovarians dan estimasi varians pada diagram jalur.

E Klik Tampilkan output path tombol diagram. E Dalam Parameter Format panel di sebelah kiri area gambar, klik perkiraan unstandardixed. Atau, Anda dapat meminta perkiraan korelasi dalam diagram jalur dengan mengklik perkiraan Standar.

Berikut ini adalah diagram jalur menunjukkan korelasi:

Pelabelan Keluaran

Mungkin sulit untuk mengingat apakah nilai-nilai yang ditampilkan adalah covariances atau korelasi. Untuk menghindari masalah ini, Anda dapat menggunakan Amos untuk label output.

E Buka Ex02.amw berkas. E Klik kanan judul di bagian bawah diagram jalur, dan pilih Properties Object

dari menu pop-up.

E Klik tab Text.

52 Contoh 2

Perhatikan kata \ format garis bawah judul angka. Kata-kata yang dimulai dengan sebuah garis miring ke belakang, seperti \ Format, disebut macro teks. Amos menggantikan macro teks dengan informasi tentang model yang sedang ditampilkan. The makro teks \ Format akan digantikan oleh judul Model Spesifikasi, perkiraan unstandardixed, atau perkiraan Standar, tergantung pada versi dari diagram jalur ditampilkan.

Pengujian Hipotesis

Para covariances tersirat adalah perkiraan terbaik dari varians populasi dan covariances bawah hipotesis nol. (Hipotesis nol adalah bahwa parameter yang diperlukan untuk memiliki perkiraan yang sama benar-benar sama dalam populasi.) Seperti kita ketahui dari Contoh 1, covariances sampel adalah estimasi terbaik diperoleh tanpa membuat asumsi tentang nilai-nilai populasi. Sebuah perbandingan dari dua matriks relevan dengan pertanyaan apakah hipotesis nol benar. Jika hipotesis nol benar, baik tersirat dan covariances sampel merupakan perkiraan kemungkinan maksimum dari nilai populasi yang sesuai (meskipun covariances tersirat adalah perkiraan yang lebih baik). Akibatnya, Anda akan mengharapkan dua matriks mirip satu sama lain. Di sisi lain, jika hipotesis nol yang salah, hanya covariances sampel

53 Hipotesis Pengujian

maksimum kemungkinan perkiraan, dan tidak ada alasan untuk mengharapkan mereka untuk menyerupai covariances tersirat. Statistik chi-square merupakan ukuran keseluruhan berapa banyak covariances tersirat berbeda dari covariances sampel.

Chi-square = 6,276 Derajat kebebasan = 3 tingkat Probabilitas = 0,099

Secara umum, semakin banyak covariances tersirat berbeda dari covariances sampel, semakin besar statistik chi-kuadrat akan. Jika covariances tersirat telah identik dengan covariances sampel, karena mereka dalam Contoh 1, statistik chi-square akan menjadi 0. Anda dapat menggunakan statistik chi-kuadrat untuk menguji hipotesis nol bahwa parameter yang diperlukan untuk memiliki perkiraan yang sama benar-benar sama dalam populasi. Namun, tidak hanya masalah memeriksa untuk melihat apakah statistik chi-kuadrat adalah 0. Karena covariances tersirat dan covariances sampel hanyalah perkiraan, Anda tidak bisa mengharapkan mereka untuk menjadi identik (bahkan jika mereka berdua perkiraan covariances populasi yang sama). Sebenarnya, Anda akan mengharapkan mereka berbeda cukup untuk menghasilkan chi-square di lingkungan derajat kebebasan, bahkan jika hipotesis nol benar. Dengan kata lain, nilai chi-kuadrat dari 3 tidak akan keluar dari biasa di sini, bahkan dengan hipotesis nol benar. Anda bisa mengatakan lebih dari itu: Jika hipotesis nol benar, nilai chisquare (6,276) adalah pengamatan tunggal pada variabel acak yang memiliki distribusi chi-kuadrat perkiraan dengan tiga derajat kebebasan. Probabilitas adalah sekitar 0,099 bahwa observasi tersebut akan menjadi sebesar 6,276. Akibatnya, bukti terhadap hipotesis nol tidak signifikan pada tingkat 0,05.

Menampilkan Statistik Chi-Square pada Diagram Jalur

Anda bisa mendapatkan statistik chi-square dan derajat kebebasan untuk muncul dalam keterangan angka pada diagram jalur menggunakan macro teks \ cmin dan \ df. Amos menggantikan ini macro teks dengan nilai-nilai numerik dari statistik chi-square dan derajat kebebasan. Anda dapat menggunakan makro teks \ p untuk menampilkan probabilitas kanan ekor sesuai di bawah distribusi chi-kuadrat.

E Dari menu, pilih Diagram → Gambar Caption. E Klik lokasi pada diagram jalur di mana Anda ingin judul angka untuk muncul.

Kotak dialog Caption Gambar muncul.

54 Contoh 2

E Pada kotak dialog Caption Gambar, masukkan keterangan yang mencakup \ cmin, \ df, dan \ p teks

macro, sebagai berikut:

Ketika Amos menampilkan diagram jalur yang berisi keterangan ini, muncul sebagai berikut:

55 Hipotesis Pengujian

Modeling di VB.NET

Program berikut sesuai dengan model terkendala Contoh 2:

56 Contoh 2

Tabel ini memberikan penjelasan baris demi baris dari program:

Pernyataan Program

Dim Sem Sebagai New AmosEngine

Penjelasan

Sem.TextOutput Sem.Standardized () Sem.ImpliedMoments () Sem.SampleMoments () Sem.ResidualMoments ()

Deklarasikan Sem sebagai objek dari tipe AmosEngine. Metode dan properti dari objek Sem digunakan untuk menentukan dan sesuai model. Menciptakan output file yang berisi hasil analisis. Pada akhir analisis, isi dari file output ditampilkan dalam jendela terpisah. Menampilkan perkiraan standar, covariances tersirat, covariances sampel, dan covariances sisa. Dimulai spesifikasi model untuk kelompok tunggal (yaitu, populasi tunggal). Baris ini juga menetapkan bahwa SPSS Statistik berkas Attg_yng.sav berisi data masukan. Sem.AmosDir () adalah lokasi direktori program Amos.

Menentukan model. Pertama empat laporan AStructure membatasi varians dari variabel-variabel yang diamati melalui penggunaan nama parameter dalam tanda kurung. Recall1 dan recall2 wajib memiliki varians yang sama karena kedua varians diberi label v_recall.

Varians dari place1 dan place2 sama-sama dibatasi harus sama. Masing-masing dari dua baris terakhir merupakan AStructure kovarians a. Kedua covariances keduanya bernama cov_rp. Akibatnya, mereka covariances dibatasi harus sama. Fits model. Sumber Pers digunakan oleh objek Sem. Hal ini sangat penting untuk program Anda untuk menggunakan metode Buang obyek AmosEngine sebelum membuat objek AmosEngine lain. Sebuah proses diperbolehkan untuk memiliki hanya satu contoh dari obyek AmosEngine pada suatu waktu. Ini Coba jaminan blok bahwa metode Buang akan dipanggil bahkan jika kesalahan terjadi selama eksekusi program.

Sem.BeginGroup ...

Sem.AStructure ("recall1 (v_recall)") Sem.AStructure ("recall2 (v_recall)") Sem.AStructure ("place1 (v_place)") Sem.AStructure ("place2 (v_place)") Sem.AStructure ("recall1 <> place1 (cov_rp) ") Sem.AStructure (" recall2 <> place2 (cov_rp) ")

Sem.FitModel ()

Sem.Dispose ()

Coba / Akhirnya / Akhir Coba

57 Hipotesis Pengujian

E Untuk melakukan analisis, dari menu, pilih File → Run.

Waktu adalah Segalanya

Garis AStructure harus muncul setelah BeginGroup, jika tidak, Amos tidak akan mengenali bahwa variabel bernama dalam garis AStructure diamati variabel dalam dataset attg_yng.sav.

Secara umum, urutan pernyataan penting dalam program Amos. Dalam menyelenggarakan program Amos, metode AmosEngine dapat dibagi menjadi tiga groups1 umum. Kelompok 1 - Metode deklaratif Kelompok ini berisi metode yang memberitahu Amos apa hasil untuk menghitung dan menampilkan.

TextOutput adalah 1 metode Group, seperti Standar, ImpliedMoments, SampleMoments, dan ResidualMoments. Banyak Kelompok 1 metode lain yang tidak digunakan dalam contoh ini

didokumentasikan dalam Amos 20 Reference Guide Pemrograman. Kelompok 2 - Data dan Model Spesifikasi Metode Kelompok ini terdiri dari deskripsi data dan spesifikasi model perintah. BeginGroup dan AStructure adalah Kelompok 2 metode. Lainnya didokumentasikan dalam Amos 20 Reference Guide Pemrograman. Kelompok 3 - Metode untuk Mengambil Hasil ini perintah untuk ... baik, mengambil hasil. Sejauh ini, kami belum digunakan Grup setiap 3 metode. Contoh menggunakan Kelompok 3 metode yang diberikan dalam Amos 20 Reference Guide Pemrograman.

Tip: Ketika Anda menulis program Amos, penting untuk memperhatikan dekat dengan

urutan di mana Anda memanggil metode mesin Amos. Aturannya adalah bahwa kelompok harus muncul dalam rangka: Grup 1, maka Grup 2, dan akhirnya Grup 3. Untuk informasi lebih lanjut tentang aturan waktu dan daftar lengkap metode dan keanggotaan kelompok mereka, lihat Amos 20 Reference Guide Pemrograman.

1 Ada juga kelompok khusus keempat, yang terdiri dari hanya Metode Initialize. Jika Metode Initialize opsional digunakan, itu harus datang sebelum Grup 1 metode.

Contoh

3

Lebih Pengujian Hipotesis

Pengantar

Contoh ini menunjukkan bagaimana untuk menguji hipotesis nol bahwa dua variabel yang berkorelasi, memperkuat konsep derajat kebebasan, dan menunjukkan, secara konkret, apa yang dimaksud dengan tes asimtotik benar.

Tentang Data

Untuk contoh ini, kita menggunakan kelompok mata pelajaran yang lebih tua dari (1983) studi memori spasial Attig dan dua variabel usia dan kosa kata. Kami akan menggunakan data diformat sebagai file teks tab-delimited.

Membawa Dalam Data

E Dari menu, pilih File → New. E Pada kotak dialog Data File, pilih File Name. C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Contoh \ <language>.

59

60 Contoh 3

E Dalam daftar Berkas jenis, pilih Teks (*. Txt), pilih Attg_old.txt, dan kemudian klik Terbuka. Pengujian Hipotesis Itu Dua Variabel tidak berkorelasi

Di antara 40 mata pelajaran tua Attig itu, korelasi sampel antara usia dan kosakata adalah -0.09 (tidak terlalu jauh dari 0). Apakah hubungan ini tetap signifikan? Untuk mengetahui, kita akan menguji hipotesis nol bahwa, dalam populasi yang ini 40 subyek datang, korelasi antara usia dan kosakata adalah 0. Kami akan melakukan ini dengan memperkirakan matriks varians-kovarians bawah kendala yang usia dan kosakata tidak berkorelasi.

Menentukan Model

Mulailah dengan menggambar dan penamaan dua variabel yang diamati, usia dan kosa kata, dalam diagram jalur, menggunakan metode yang Anda pelajari dalam Contoh 1.

Amos menyediakan dua cara untuk menentukan bahwa kovarians antara usia dan kosakata adalah 0. Yang paling cara yang jelas hanya untuk tidak menggambar panah berkepala dua yang

menghubungkan dua variabel. Tidak adanya sebuah panah berkepala dua menghubungkan dua variabel eksogen menyiratkan bahwa mereka tidak berkorelasi. Jadi, tanpa menarik sesuatu yang lebih,

61 Lebih Pengujian Hipotesis

Model yang ditentukan oleh diagram jalur sederhana di atas menetapkan bahwa kovarians (dan dengan demikian korelasi) antara usia dan kosakata adalah 0. Metode kedua menghambat parameter kovarians adalah prosedur yang lebih umum diperkenalkan dalam Contoh 1 dan Contoh 2.

E Dari menu, pilih Diagram → covariances Draw. E Klik dan drag untuk menggambar anak panah yang menghubungkan kosakata dan usia. E Klik kanan panah dan pilih Object Properties dari menu pop-up. E Type 0 dalam kotak teks Kovarian. E Tutup kotak dialog Object Properties.

Diagram jalur Anda sekarang terlihat seperti ini:

62 Contoh 3

Save As kotak dialog muncul.

E Masukkan nama untuk file dan klik Save.

E Dalam diagram pohon di sebelah kiri atas jendela Output Amos, klik Perkiraan.

Meskipun estimasi parameter tidak kepentingan utama dalam analisis ini, mereka adalah sebagai berikut:

Dalam analisis ini, ada satu derajat kebebasan, sesuai dengan kendala tunggal yang usia dan kosakata tidak berkorelasi. Derajat kebebasan juga bisa didapat dengan perhitungan ditampilkan dalam teks berikut. Untuk menampilkan perhitungan ini:

E Klik Catatan untuk Model di sebelah kiri atas dari jendela Output Amos.

63 Lebih Pengujian Hipotesis

Ketiga momen sampel merupakan varians usia dan kosakata dan kovarians mereka. Dua parameter yang berbeda yang akan diestimasi adalah dua varians populasi. Kovarians tersebut tetap pada 0 dalam model, tidak diperkirakan dari informasi sampel.

Melihat Keluaran Graphics

E Dalam Parameter Format panel di sebelah kiri area gambar, klik perkiraan unstandardixed.

Berikut ini adalah diagram path output dari perkiraan unstandardixed, bersama dengan uji hipotesis nol bahwa umur dan kosa kata tidak berkorelasi:

Kemungkinan sengaja mendapatkan keberangkatan ini besar dari hipotesis nol adalah 0.555. Hipotesis nol tidak akan ditolak pada setiap tingkat signifikansi konvensional.

64 Contoh 3

Seperti biasa statistik t untuk menguji hipotesis ini nol 0.59 (df = 38, p = 0,56 dua sisi). Tingkat probabilitas terkait dengan statistik t adalah tepat. Tingkat probabilitas 0.555 dari statistik chi-square tidak aktif, karena fakta bahwa ia tidak memiliki distribusi chi-kuadrat yang tepat dalam sampel terbatas. Meski begitu, tingkat probabilitas 0.555 tidak buruk. Berikut adalah pertanyaan yang menarik: Jika Anda menggunakan tingkat probabilitas ditampilkan oleh Amos untuk menguji hipotesis nol pada tingkat 0,05 atau 0,01, maka berapakah probabilitas sebenarnya menolak hipotesis nol benar? Dalam kasus hipotesis nol ini, pertanyaan ini memiliki jawaban, meskipun jawabannya tergantung pada ukuran sampel. Kolom kedua pada tabel menunjukkan berikutnya, untuk beberapa ukuran sampel, kemungkinan nyata dari sebuah Tipe I kesalahan saat menggunakan Amos untuk menguji hipotesis nol korelasi nol pada tingkat 0,05. Kolom ketiga menunjukkan kemungkinan nyata dari sebuah Tipe I kesalahan jika Anda menggunakan tingkat signifikansi 0,01. Tabel tersebut menunjukkan bahwa semakin besar ukuran sampel, semakin dekat tingkat signifikansi yang benar adalah apa yang seharusnya. Ini terlalu buruk bahwa meja tersebut tidak dapat dibangun untuk setiap hipotesis bahwa Amos dapat digunakan untuk menguji. Namun, ini banyak yang dapat dikatakan tentang tabel seperti: Pindah dari atas ke bawah, angka di kolom 0,05 akan mendekati 0,05, dan angka di kolom 0,01 akan mendekati 0,01.

Ini adalah apa yang dimaksud ketika dikatakan bahwa tes hipotesis berdasarkan teori kemungkinan maksimum adalah asimtotik benar. Tabel berikut menunjukkan probabilitas aktual dari Tipe I kesalahan saat menggunakan Amos untuk menguji hipotesis bahwa dua variabel tidak berkorelasi:

Ukuran Sampel Nominal Signifikansi Tingkat

3 4 5 10 20 30 40 50 100 150 200> 500

0,05 0,250 0,150 0,115 0,073 0,060 0,056 0,055 0,054 0,052 0,051 0,051 0,050

0,01 0,122 0,056 0,038 0,018 0,013 0,012 0,012 0,011 0,011 0,010 0,010 0,010

65 Lebih Pengujian Hipotesis

Berikut ini adalah program untuk melakukan analisis contoh ini:

Metode AStructure kendala kovarians, memperbaiki itu pada 0 konstan. Program ini tidak merujuk secara eksplisit varians usia dan kosa kata. Perilaku default dari Amos adalah untuk memperkirakan varians tersebut tanpa kendala. Amos memperlakukan varians dari setiap variabel eksogen sebagai parameter gratis kecuali untuk varian yang secara eksplisit dibatasi oleh program.

4

Regresi Linear Konvensional

Contoh ini menunjukkan analisis regresi konvensional, memprediksi variabel diamati tunggal sebagai kombinasi linear dari tiga variabel yang diamati lainnya. Ia juga memperkenalkan konsep identifiability.

Warren, Putih, dan Fuller (1974) mempelajari 98 manajer koperasi pertanian. Kami akan menggunakan empat pengukuran berikut:

Uji Penjelasan

kinerja pengetahuan nilai kepuasan

Sebuah tes 24 item kinerja yang terkait dengan "perencanaan, pengorganisasian, pengendalian, koordinasi, dan mengarahkan" Sebuah tes 26-item pengetahuan "fase ekonomi manajemen diarahkan menghasilkan keuntungan ... dan pengetahuan produk" A 30-item uji "kecenderungan untuk rasional mengevaluasi alat untuk mencapai tujuan ekonomi" Sebuah tes 11-item "gratifikasi yang diperoleh ... dari melakukan peran manajerial"

Sebuah ukuran kelima, pelatihan masa lalu, juga dilaporkan, tapi kami tidak akan menggunakannya. Dalam contoh ini, Anda akan menggunakan Excel worksheet Warren5v di UserGuide.xls berkas, yang terletak di folder Contoh. Jika Anda melakukan instalasi khas, jalan adalah C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Contoh \ <language>.

67

68 Contoh 4

Berikut adalah varians sampel dan covariances:

Warren5v juga berisi cara sampel. Data mentah tidak tersedia, tetapi mereka tidak diperlukan oleh Amos untuk kebanyakan analisis, asalkan momen sampel (yaitu, berarti, variasi, dan covariances) disediakan. Bahkan, hanya varians sampel dan covariances diperlukan dalam contoh ini. Kita tidak akan membutuhkan sampel berarti di Warren5v untuk sementara waktu, dan Amos akan mengabaikan mereka.

Analisis Data

Misalkan Anda ingin menggunakan nilai pada pengetahuan, nilai, dan kepuasan untuk memprediksi kinerja. Lebih khusus, misalkan Anda berpikir bahwa skor kinerja dapat didekati dengan kombinasi linear dari pengetahuan, nilai, dan kepuasan. Prediksi tidak akan sempurna, bagaimanapun, dan model demikian harus mencakup variabel kesalahan. Berikut adalah diagram jalur awal untuk hubungan ini:

69 Regresi Linear Konvensional

Panah tunggal berkepala mewakili ketergantungan linier. Misalnya, panah yang mengarah dari pengetahuan terhadap kinerja menunjukkan bahwa skor kinerja tergantung, sebagian, pada pengetahuan. Variabel kesalahan tertutup dalam lingkaran karena tidak langsung diamati. Kesalahan mewakili lebih dari fluktuasi acak dalam skor kinerja karena kesalahan pengukuran. Kesalahan juga merupakan gabungan dari usia, status sosial ekonomi, kemampuan verbal, dan hal lain yang kinerja mungkin tergantung tapi yang tidak diukur dalam penelitian ini. Variabel ini sangat penting karena diagram jalur yang seharusnya untuk menunjukkan semua variabel yang mempengaruhi nilai kinerja. Tanpa lingkaran, diagram jalur akan membuat klaim tidak masuk akal bahwa kinerja merupakan kombinasi linear yang tepat dari pengetahuan, nilai, dan kepuasan. Panah berkepala dua dalam diagram jalur menghubungkan variabel yang mungkin berkorelasi dengan satu sama lain. Tidak adanya panah menghubungkan kesalahan berkepala dua dengan variabel lain menunjukkan bahwa kesalahan diasumsikan berkorelasi dengan setiap prediktor lain variabel-asumsi mendasar dalam regresi linier. Kinerja juga tidak terhubung dengan variabel lain oleh panah berkepala dua, tapi ini untuk alasan yang berbeda. Karena kinerja tergantung pada variabel lain, tak usah dikatakan bahwa mungkin berkorelasi dengan mereka.

Menggunakan apa yang Anda pelajari dalam tiga contoh, lakukan hal berikut:

E Mulai diagram jalur baru. E Tentukan bahwa dataset yang akan dianalisis dalam lembar kerja Excel Warren5v dalam file

UserGuide.xls.

E Menggambar empat persegi panjang dan label mereka pengetahuan, nilai, kepuasan, dan kinerja. E Gambarlah elips untuk variabel kesalahan. E Menggambar panah tunggal berkepala titik dari eksogen, atau prediktor, variabel

(Pengetahuan, nilai, kepuasan, dan error) ke endogen, atau respon, variabel (kinerja).

Catatan: variabel endogen memiliki minimal satu jalur tunggal berkepala menunjuk ke arah mereka. Variabel eksogen, sebaliknya, mengirimkan hanya jalur tunggal berkepala tetapi tidak menerima apapun.

70 Contoh 4

E Buatlah tiga panah berkepala dua yang menghubungkan variabel eksogen diamati

(Pengetahuan, kepuasan, dan nilai). Diagram jalur Anda akan terlihat seperti ini:

Identifikasi

Dalam contoh ini, adalah mustahil untuk memperkirakan bobot regresi untuk regresi kinerja pada kesalahan, dan, pada saat yang sama, memperkirakan varians kesalahan. Hal ini seperti memiliki seseorang memberitahu Anda, "Aku membeli senilai $ 5 widget," dan mencoba untuk menyimpulkan baik harga setiap widget dan jumlah widget yang dibeli. Ada informasi tidak cukup. Anda dapat memecahkan masalah ini dengan memperbaiki identifikasi baik berat regresi diterapkan pada kesalahan dalam memprediksi kinerja, atau varians dari variabel kesalahan itu sendiri, pada sewenang-wenang, nilai nol. Mari kita perbaiki bobot regresi pada 1. Ini akan menghasilkan perkiraan yang sama dengan regresi linier konvensional.

Memperbaiki Berat Regresi

E kanan klik panah yang menunjuk dari kesalahan terhadap kinerja dan pilih Properties Object

E Type 1 di kotak berat Regresi.

71 Konvensional Regresi Linear

Mengatur berat regresi sebesar 1 untuk setiap variabel kesalahan dapat membosankan. Untungnya, Amos Graphics menyediakan solusi standar yang bekerja dengan baik dalam banyak kasus.

E Klik Add variabel unik untuk tombol variabel yang ada. E Klik variabel endogen.

Amos otomatis menempel variabel kesalahan untuk itu, lengkap dengan berat regresi tetap 1. Mengklik variabel endogen berulang kali mengubah posisi dari variabel kesalahan.

72 Contoh 4

Melihat Output Teks

Berikut adalah perkiraan kemungkinan maksimum:

Amos tidak menampilkan path kinerja <- error karena nilainya tetap pada nilai default dari 1. Anda mungkin bertanya-tanya berapa banyak perkiraan lain akan terpengaruh jika konstanta yang berbeda telah terpilih. Ternyata hanya estimasi varians untuk kesalahan dipengaruhi oleh perubahan tersebut. Tabel berikut menunjukkan perkiraan varians yang dihasilkan dari berbagai pilihan untuk kinerja <- regression weight kesalahan.

Regression weight Tetap Perkiraan varians kesalahan

0,5 0,707 1,0 1,414 2,0

0,050 0,025 0,0125 0,00625 0,00313

Misalkan Anda tetap koefisien jalur pada 2 bukannya 1. Maka estimasi varians akan dibagi dengan faktor 4. Anda bisa memperkirakan aturan bahwa mengalikan koefisien jalur dengan faktor tetap sejalan dengan membagi varians kesalahan dengan alun-alun

73 Regresi Linear Konvensional

faktor yang sama. Memperluas ini, produk dari berat regresi kuadrat dan variansi error yang selalu konstan. Inilah yang kita maksudkan ketika kita mengatakan berat regresi (bersama-sama dengan varians error) tidak teridentifikasi. Jika Anda memberikan nilai pada salah satu dari mereka, yang lain dapat diperkirakan, tetapi mereka tidak bisa berdua akan diperkirakan pada waktu yang sama. Masalah identifiability hanya dibahas timbul dari kenyataan bahwa varians dari variabel, dan setiap bobot regresi yang terkait dengan itu, tergantung pada unit di mana variabel diukur. Karena kesalahan adalah variabel teramati, tidak ada cara alami untuk menentukan unit pengukuran untuk itu. Menetapkan nilai sewenang-wenang untuk berat regresi terkait dengan kesalahan dapat dianggap

sebagai cara tidak langsung memilih unit pengukuran untuk kesalahan. Setiap variabel teramati menyajikan masalah ini identifiability, yang harus diselesaikan dengan memberlakukan beberapa kendala yang menentukan unitnya pengukuran. Mengubah unit skala variabel kesalahan teramati tidak mengubah model fit secara keseluruhan. Dalam semua analisis, Anda mendapatkan:

Chi-square = 0.00 Derajat kebebasan = 0 tingkat Probabilitas tidak dapat dihitung

Ada empat varians sampel dan enam covariances sampel, dengan total 10 momen sampel. Ada tiga jalur regresi, empat variasi model dan tiga model yang covariances, untuk total 10 parameter yang harus diestimasi. Oleh karena itu, model ini memiliki nol derajat kebebasan. Model seperti ini sering disebut jenuh atau hanya diidentifikasi. Perkiraan koefisien standar adalah sebagai berikut:

74 Contoh 4

Bobot regresi standar dan korelasi yang independen dari satuan di mana semua variabel diukur, sehingga mereka tidak terpengaruh oleh pilihan kendala identifikasi. Squared beberapa korelasi juga independen dari unit pengukuran. Amos menampilkan beberapa korelasi kuadrat untuk setiap variabel endogen.

Catatan: kuadrat korelasi berganda variabel adalah proporsi varians yang

dicatat oleh prediktor nya. Dalam contoh ini, pengetahuan, nilai, dan akun kepuasan bagi 40% dari varians kinerja.

Lintasan berikut keluaran diagram menunjukkan nilai unstandardixed:

75 Konvensional Regresi Linear

Berikut adalah solusi standar:

Melihat Teks Keluaran Tambahan

E Dalam diagram pohon di sebelah kiri atas jendela Output Amos, klik Variabel Summary.

76 Contoh 4

Variabel endogen adalah mereka yang memiliki panah tunggal berkepala menunjuk ke mereka, mereka tergantung pada variabel lain. Variabel eksogen adalah mereka yang tidak memiliki panah singleheaded menunjuk kepada mereka, mereka tidak tergantung pada variabel lain. Memeriksa daftar sebelumnya akan membantu Anda menangkap yang paling umum (dan berbahaya) kesalahan dalam file input: kesalahan pengetikan. Jika Anda mencoba untuk mengetik kinerja dua kali tapi tidak sengaja misspell sebagai dalm salah satu dari mereka kali, kedua versi akan muncul di daftar.

Output berikut menunjukkan bahwa tidak ada loop umpan balik dalam diagram jalur:

Catatan untuk Group (Kelompok nomor 1) Model ini rekursif.

Kemudian Anda akan melihat diagram jalan di mana Anda dapat memilih variabel dan, dengan menelusuri sepanjang panah tunggal berkepala, mengikuti jalan yang mengarah kembali ke variabel yang sama.

Catatan: Jalur diagram yang telah loop umpan balik disebut nonrecursive.

Mereka yang melakukan

tidak disebut rekursif.

77 Regresi Linear Konvensional

Modeling di VB.NET

Model dalam contoh ini terdiri dari persamaan regresi tunggal. Setiap panah tunggal berkepala dalam diagram jalur merupakan bobot regresi. Berikut ini adalah program untuk memperkirakan mereka bobot regresi:

Empat baris yang datang setelah Sem.BeginGroup sesuai dengan tanda panah tunggal berkepala di Amos Graphics path diagram. The (1) di baris terakhir AStructure perbaikan berat regresi kesalahan pada konstan 1.

Asumsi tentang Korelasi antara Variabel eksogen

Ketika menjalankan program, Amos membuat asumsi tentang korelasi antara variabel eksogen yang tidak dibuat di Amos Graphics. Asumsi ini menyederhanakan

78 Contoh 4

spesifikasi banyak model, terutama model yang memiliki parameter. Perbedaan antara menentukan model dalam Amos Grafis dan menetapkan salah satu pemrograman adalah sebagai berikut:

?? Amos Graphics sepenuhnya WYSIWYG (Apa yang Anda Lihat adalah Apa yang Anda Dapatkan). Jika Anda

menggambar panah berkepala dua (tanpa kendala) antara dua variabel eksogen, Amos Graphics akan memperkirakan kovarians mereka. Jika dua variabel eksogen tidak terhubung dengan panah berkepala dua, Amos Graphics akan menganggap bahwa variabel tidak berkorelasi. Asumsi default dalam program Amos adalah:

Variabel Unik (teramati, variabel eksogen yang mempengaruhi hanya satu lain

variabel) yang diasumsikan berkorelasi dengan satu sama lain dan dengan semua variabel eksogen lainnya.

Variabel eksogen selain variabel yang unik diasumsikan berkorelasi

di antara mereka sendiri. Dalam program Amos, default ini mencerminkan asumsi standar analisis regresi linier konvensional. Dengan demikian, dalam contoh ini, program ini mengasumsikan bahwa prediksi, pengetahuan, nilai, dan kepuasan, berkorelasi dan kesalahan yang tidak berkorelasi dengan prediktor.

Persamaan Format Metode AStructure

Metode AStructure memungkinkan spesifikasi model dalam format persamaan. Misalnya, pernyataan Sem.AStructure tunggal dalam program berikut ini menjelaskan model yang sama sebagai program pada hal.

77 tetapi dalam satu baris. Program ini disimpan dengan nama Ex04-eq.vb di direktori Contoh.

79 Regresi Linear Konvensional

Perhatikan bahwa dalam garis AStructure di atas, masing-masing variabel prediktor (di sisi kanan persamaan) dikaitkan dengan berat regresi yang akan diestimasi. Kita bisa membuat ini bobot regresi eksplisit melalui penggunaan kurung kosong sebagai berikut: Sem.AStructure ("performance = () pengetahuan + () nilai + () kepuasan + error (1)") Tanda kurung kosong adalah opsional. Secara default, Amos otomatis akan memperkirakan bobot regresi untuk setiap prediktor.

Contoh

5

Variabel teramati

Pengantar

Contoh ini menunjukkan analisis regresi dengan variabel teramati.

Tentang Data

Variabel dalam contoh sebelumnya adalah pasti tidak bisa diandalkan untuk beberapa derajat. Fakta bahwa keandalan kinerja tidak diketahui menyajikan masalah kecil ketika datang untuk menafsirkan fakta bahwa prediktor account hanya 39,9% dari varians kinerja. Jika tes yang sangat bisa diandalkan, fakta itu sendiri akan menjelaskan mengapa nilai kinerja tidak dapat diprediksi secara akurat. Tidak dapat diandalkan dari prediksi, di sisi lain, menyajikan masalah yang lebih serius karena dapat menyebabkan perkiraan bias bobot regresi. Contoh ini, berdasarkan Rock, et al. (1977), akan menilai reliabilitas dari empat tes dimasukkan dalam analisis sebelumnya. Ini juga akan mendapatkan perkiraan bobot regresi sempurna handal, versi hipotetis dari empat tes. Rock, et al. kembali meneliti data Warren, Putih, dan Fuller (1974) yang dibahas pada contoh sebelumnya. Kali ini, setiap tes secara acak dibagi menjadi dua bagian, dan masing-masing setengah yang dinilai secara terpisah.

81

82 Contoh 5

Berikut adalah daftar dari variabel input:

Nama Variabel Keterangan

1performance 2performance 1knowledge 2knowledge 1value 2value 1satisfaction 2satisfaction past_training

12-item subset Kinerja Peran subtes 12-item Kinerja Peran 13-item subset Pengetahuan 13-item subset Pengetahuan 15-item subset Nilai Orientasi 15-item subset Nilai Orientasi 5-item subset Peran Kepuasan 6-item subset Peran derajat Kepuasan pendidikan formal

Untuk contoh ini, kita akan menggunakan file data Lotus, Warren9v.wk1, untuk mendapatkan varians sampel dan covariances dari subyek tersebut. Sampel berarti yang muncul dalam file tersebut tidak akan digunakan dalam contoh ini. Statistik pendidikan formal (past_training) yang hadir dalam file, tetapi mereka juga tidak akan masuk ke dalam analisis ini. Berikut ini adalah sebagian dari dataset:

83 Variabel teramati

Model A

Berikut diagram jalur menyajikan model untuk delapan subyek:

error3 error4

1

1knowledge 2knowledge

pengetahuan error9

error5 error6

1value 2value

1performance 2performance

error1 error2

nilai

prestasi

error7 error8

1satisfaction 2satisfaction

kepuasan

Contoh 5: Model A Regresi dengan variabel teramati kinerja Kerja manajer pertanian Warren, Putih dan Fuller (1974) memperkirakan Standar

Empat elips pada gambar diberi label pengetahuan, nilai, kepuasan, dan kinerja. Mereka mewakili variabel teramati yang secara tidak langsung diukur dengan delapan split-half tes.

Model Pengukuran

Bagian dari model yang menentukan bagaimana variabel yang diamati tergantung pada teramati, atau laten, variabel kadang-kadang disebut model pengukuran. Model saat ini memiliki empat submodels pengukuran yang berbeda.

84 Contoh 5

error3 error4

pengetahuan

Perhatikan, misalnya, submodel pengetahuan: Nilai dari dua split-half subyek, 1knowledge dan 2knowledge, yang diduga tergantung pada satu yang mendasari, tetapi tidak secara langsung diamati variabel, pengetahuan. Menurut model, skor pada dua subyek mungkin masih tidak setuju, karena pengaruh dari error3 dan error4, yang merupakan kesalahan pengukuran dalam dua subyek. 1knowledge dan 2knowledge disebut indikator pengetahuan variabel laten. Model pengukuran pengetahuan membentuk pola yang diulang tiga kali dalam diagram jalur di atas.

Model Struktural

Bagian dari model yang menentukan bagaimana variabel laten yang terkait satu sama lain kadang-kadang disebut model struktural.

85 Variabel teramati

error9 1

Bagian struktural dari model saat ini adalah sama dengan yang dalam Contoh 4. Hanya dalam model pengukuran bahwa contoh ini berbeda dari yang dalam Contoh 4.

Identifikasi

Dengan 13 variabel teramati dalam model ini, hal ini tentunya tidak diidentifikasi. Ini akan diperlukan untuk memperbaiki unit pengukuran dari setiap variabel tidak teramati oleh kendala yang sesuai pada parameter. Hal ini dapat dilakukan dengan mengulangi 13 kali trik yang digunakan untuk variabel teramati tunggal dalam Contoh 4: Cari panah tunggal berkepala menjauh dari setiap variabel teramati dalam diagram jalur, dan memperbaiki bobot regresi yang sesuai dengan nilai sewenang-wenang seperti sebagai 1. Jika ada lebih dari satu panah tunggal berkepala menjauh dari variabel teramati, salah satu dari mereka akan lakukan.

Jalur Diagram untuk "Model A" pada hal. 83 menunjukkan salah satu pilihan yang memuaskan kendala identifiability.

Menentukan Model

Karena diagram jalur lebih luas daripada itu tinggi, Anda mungkin ingin mengubah bentuk area gambar sehingga cocok diagram jalur yang lebih baik. Secara default, area gambar di Amos adalah lebih tinggi daripada lebar sehingga sangat cocok untuk mencetak dalam modus potret.

86 Contoh 5

Mengubah Orientasi Menggambar di Area

E Dari menu, pilih View → Antarmuka Properties. E Dalam Properti kotak dialog Interface, klik tab Page Layout. E Mengatur Ukuran Kertas ke salah satu "Landscape" ukuran kertas, seperti Landscape - A4.

E Klik Apply.

87 Variabel teramati

Menciptakan Diagram Jalur

Sekarang Anda siap untuk menggambar model seperti yang ditunjukkan di jalur diagram di halaman 83. Ada beberapa cara untuk melakukan ini. Salah satunya adalah untuk memulai dengan menggambar model pengukuran pertama. Di sini, kita menggambar model pengukuran salah satu variabel laten, pengetahuan, dan kemudian menggunakannya sebagai pola untuk tiga lainnya.

E Gambarlah elips untuk pengetahuan variabel teramati.

E Dari menu, pilih Diagram → Menggambar Indikator Variabel. E Klik dua kali dalam elips.

Setiap klik menciptakan satu variabel indikator untuk pengetahuan:

Seperti yang Anda lihat, dengan indikator Menggambar tombol variabel diaktifkan, Anda dapat mengklik beberapa kali pada variabel teramati untuk membuat beberapa indikator, lengkap dengan variabel yang unik atau kesalahan. Amos Graphics mempertahankan jarak cocok di antara indikator dan kendala identifikasi sisipan otomatis.

88 Contoh 5

Rotating Indikator

Indikator muncul secara default di atas elips pengetahuan, tetapi Anda dapat mengubah lokasi mereka.

E Dari menu, pilih Edit → Putar. E Klik elips pengetahuan.

Setiap kali Anda mengklik elips pengetahuan, indikator yang memutar 90 ° searah jarum jam. Jika Anda mengklik elips tiga kali, indikator yang akan terlihat seperti ini:

Duplicating Model Pengukuran

Langkah selanjutnya adalah membuat model pengukuran untuk nilai dan kepuasan.

E Dari menu, pilih Edit → Pilih Semua.

Model pengukuran akan menyala biru.

E Dari menu, pilih Edit → Duplicate. E Klik setiap bagian dari model pengukuran, dan tarik salinan ke bawah aslinya. E Ulangi untuk membuat model pengukuran ketiga di atas yang asli.

89 Variabel teramati

Diagram jalur Anda sekarang harus terlihat seperti ini:

E Buat salinan keempat untuk kinerja, dan posisi ke kanan yang asli. E Dari menu, pilih Edit → Renungkan.

Ini mereposisi dua indikator kinerja sebagai berikut:

90 Contoh 5

Memasuki Nama Variabel

E Klik kanan setiap obyek dan pilih Object Properties dari menu pop-up E Pada kotak dialog Obyek Properties, klik tab Teks, dan masukkan nama ke dalam

Variabel Nama kotak teks. Atau, Anda dapat memilih View → Variabel dalam Dataset dari menu dan kemudian tarik nama variabel ke objek dalam diagram jalur.

Melengkapi Model Struktural

Hanya ada beberapa hal yang tersisa untuk dilakukan untuk melengkapi model struktural.

E Gambarkan tiga jalur kovarians menghubungkan pengetahuan, nilai, dan kepuasan. E Menggambar panah tunggal berkepala dari masing-masing prediktor laten, pengetahuan, nilai, dan

kepuasan, untuk laten variabel dependen, kinerja.

E Tambahkan error9 variabel teramati sebagai prediktor kinerja (dari menu, pilih Diagram → Menggambar Variabel unik).

Diagram jalur Anda sekarang harus terlihat seperti yang ada di p. 83. File input Amos Graphics yang berisi jalan ini adalah diagram Ex05-a.amw.

Hasil untuk Model A

Sebagai latihan, Anda mungkin ingin mengkonfirmasi gelar berikut perhitungan kebebasan:

91 Variabel teramati

Hipotesis bahwa Model A benar diterima.

Chi-square = 10,335 Derajat kebebasan = 14 tingkat Probabilitas = 0.737

Estimasi parameter dipengaruhi oleh kendala identifikasi.

92 Contoh 5

Perkiraan standar, di sisi lain, tidak terpengaruh oleh kendala identifikasi. Untuk menghitung perkiraan standar:

E Dari menu, pilih View → Analisis Properties. E Dalam Analisis kotak dialog Properties, klik tab Output. E Aktifkan Standar perkiraan kotak centang.

93 Variabel teramati

Melihat Output Grafis

Jalur diagram dengan parameter standar memperkirakan ditampilkan adalah sebagai berikut:

error3 error4 .53 .38 1knowledge 2knowledge .73 .62 .52 pengetahuan

.06

Chi-square = 10,335 (14 df) p = 0,737

error9 .66 .40 .82 .86 .73 kinerja 1performance .67 2performance error1 error2

.54

.56 .40 1value 2value .80 .56 1satisfaction 2satisfaction

Nilai .75 .63

- 08

.90 Kepuasan .75

.13

Nilai atas kinerja menunjukkan bahwa pengetahuan murni, nilai, dan akun kepuasan bagi 66% dari varians kinerja. Nilai-nilai yang ditampilkan di atas variabel yang diamati merupakan perkiraan keandalan untuk delapan subyek individu. Sebuah formula untuk keandalan tes asli (sebelum mereka terbelah dua) dapat ditemukan di Rock et al. (1977) atau buku tentang teori tes mental.

Model B

Dengan asumsi bahwa Model A benar (dan tidak ada bukti yang bertentangan), mempertimbangkan hipotesis tambahan yang 1knowledge dan 2knowledge adalah tes paralel. Di bawah paralel tes hipotesis, regresi 1knowledge pada pengetahuan harus sama dengan regresi 2knowledge pada pengetahuan. Selanjutnya, variabel kesalahan yang terkait dengan 1knowledge dan 2knowledge harus memiliki varians identik. Konsekuensi yang sama mengalir dari asumsi bahwa 1value dan 2value adalah tes paralel, serta 1performance dan 2performance. Tapi itu tidak sama sekali masuk akal untuk mengasumsikan bahwa 1satisfaction dan 2satisfaction sejajar. Salah satu subyek yang sedikit lebih panjang dari yang lain karena tes asli memiliki ganjil item dan tidak bisa

94 Contoh 5

terbelah persis di setengah. Akibatnya, 2satisfaction adalah 20% lebih lama dari 1satisfaction. Dengan asumsi bahwa tes hanya berbeda panjang mengarah ke kesimpulan berikut:

Berat regresi regresi 2satisfaction pada kepuasan harus 1.2

kali berat untuk kemunduran 1satisfaction pada kepuasan.

Varians yang sama diberikan untuk error7 dan error8, bobot regresi error8

harus

1,2 = 1,095445 kali lebih besar bobot regresi error7.

Anda tidak perlu redraw diagram jalur dari awal untuk memaksakan kendala-kendala parameter. Anda dapat mengambil diagram jalur yang Anda buat untuk Model A sebagai titik awal dan kemudian mengubah nilai-nilai dari dua bobot regresi. Berikut adalah diagram jalur setelah perubahan tersebut:

beta error3 beta error4 1 1knowledge 1 pengetahuan 1 2knowledge 1 error9 1 1value 1 angka 1 2value 1 1 1 kinerja 2performance 1 1 1performance 1 alpha error1 alpha error2

gamma gamma error5 error6 delta error7 delta error8

1satisfaction

1 kepuasan

1.095445

2satisfaction

1.2

Contoh 5: Model B tes Paralel regresi kinerja pekerjaan manajer pertanian Warren, Putih dan Fuller (1974) Model Spesifikasi

Hasil untuk Model B

Kendala parameter tambahan hasil Model B peningkatan derajat kebebasan:

95 Variabel teramati

Statistik chi-square juga meningkat tetapi tidak banyak. Hal ini menunjukkan ada keberangkatan signifikan dari data dari Model B.

Chi-square = 26,967 Derajat kebebasan = 22 tingkat Probabilitas = 0,212

Jika Model B memang benar, estimasi parameter terkait harus lebih disukai daripada yang diperoleh di bawah Model A. estimasi parameter baku tidak akan disajikan di sini karena mereka terpengaruh terlalu banyak dengan pilihan kendala identifikasi. Namun, berikut adalah perkiraan standar dan beberapa squared korelasi:

96 Contoh 5

Berikut adalah perkiraan standar dan beberapa squared korelasi ditampilkan pada diagram jalur:

.44 Error3 1knowledge .44 error4 2knowledge .47 error5 1value .47 error6 2value .62 .58 error7 1satisfaction .67 .82 .79 2satisfaction kepuasan .69

Chi-square = 26,967 (22 df) p = 0,212

.66 .66 .53 Pengetahuan error9 .38 .67 .84 .84 kinerja

.09

.57

.70 .70 1performance 2performance error2 error1

.69 Nilai

.11

error8

Contoh 5: Model B tes Paralel regresi kinerja pekerjaan manajer pertanian Warren, Putih dan Fuller (1974) memperkirakan Standar

Pengujian Model B melawan Model A

Kadang-kadang Anda mungkin memiliki dua model alternatif untuk set data yang sama, dan Anda ingin tahu mana model sesuai data yang lebih baik. Anda dapat melakukan perbandingan langsung setiap kali salah satu model dapat diperoleh dengan menempatkan kendala tambahan pada parameter yang lain. Kami memiliki kasus seperti itu di sini. Kami memperoleh Model B dengan memberlakukan delapan kendala tambahan pada parameter Model A. Mari kita katakan bahwa Model B adalah kuat dari dua model, dalam arti bahwa itu merupakan hipotesis kuat tentang parameter populasi. (Model A kemudian akan menjadi model yang lebih lemah). Semakin kuat Model akan memiliki derajat kebebasan yang lebih besar. The chisquare statistik untuk model yang lebih kuat akan setidaknya sama besar dengan statistik chi-square untuk model yang lebih lemah. Sebuah tes dari model yang lebih kuat (Model B) terhadap satu lemah (Model A) dapat diperoleh dengan mengurangkan kecil statistik chi-kuadrat dari yang lebih besar. Dalam contoh ini, statistik baru 16,632 (yaitu, 26,967-10,335). Jika model yang lebih kuat (Model B) ditetapkan dengan benar, statistik ini akan memiliki perkiraan chi-square

97 Variabel teramati

distribusi dengan derajat kebebasan sama dengan perbedaan antara derajat kebebasan dari model bersaing. Dalam contoh ini, perbedaan derajat kebebasan adalah 8 (yaitu, 22-14). Model B membebankan semua kendala parameter Model A, plus tambahan 8. Singkatnya, jika Model B benar, nilai 16,632 berasal dari distribusi chi-kuadrat dengan delapan derajat kebebasan. Jika hanya lemah Model (Model A) adalah benar, dan bukan model yang lebih kuat (Model B), statistik baru akan cenderung besar. Oleh karena itu, model yang lebih kuat (Model B) akan ditolak demi lemah Model (Model A) ketika statistik chi-kuadrat baru sangat besar. Dengan delapan derajat kebebasan, nilai chi-square lebih besar dari 15,507 adalah signifikan pada tingkat 0,05. Berdasarkan tes ini, kita menolak Model B. Bagaimana dengan kesimpulan sebelumnya, berdasarkan nilai chi-square 26,967 dengan 22 derajat kebebasan, bahwa Model B yang benar? Ketidaksepakatan antara dua kesimpulan dapat dijelaskan dengan mencatat bahwa dua tes berbeda dalam asumsi mereka. Tes didasarkan pada delapan derajat kebebasan mengasumsikan Model A adalah benar ketika menguji Model B. Tes didasarkan pada 22 derajat kebebasan tidak membuat asumsi seperti tentang Model A. Jika Anda cukup yakin bahwa Model A benar, Anda harus menggunakan menguji membandingkan Model B melawan Model A (yang berbasis di sini pada delapan derajat kebebasan), jika tidak, Anda harus menggunakan tes berdasarkan 22 derajat kebebasan.

98 Contoh 5

Program berikut cocok Model A:

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Warren9v.wk1") Sem.AStructure ("1performance <- - kinerja (1) ") Sem.AStructure (" 2performance <kinerja --- ") Sem.AStructure (" 1knowledge <--- pengetahuan (1) ") Sem.AStructure (" 2knowledge <--- pengetahuan ") Sem AStructure ("1value <--- nilai (1)") Sem.AStructure. ("2value <--- nilai") Sem.AStructure ("1satisfaction <--- kepuasan (1)") Sem.AStructure ("2satisfaction <--- kepuasan ") Sem.AStructure (" 1performance <--- error1 (1) ") Sem.AStructure (" 2performance <--- error2 (1) ") Sem.AStructure (" 1knowledge <--- error3 (1) ") Sem.AStructure (" 2knowledge <--- error4 (1) ") Sem.AStructure (" 1value <--- error5 (1) ") Sem.AStructure (" 2value <--- error6 (1 ) ") Sem.AStructure (" 1satisfaction <--- error7 (1) ") Sem.AStructure (" 2satisfaction <--- error8 (1) ") Sem.AStructure (" kinerja <--- pengetahuan ") Sem. AStructure ("performance <--- kepuasan") Sem.AStructure ("kinerja <--- nilai") Sem.AStructure ("kinerja <--- error9 (1)") Sem.FitModel () Akhirnya Sem.Dispose ( ) End Try End Sub

Karena asumsi bahwa Amos membuat sekitar korelasi antara variabel eksogen (dibahas dalam Contoh 4), program tidak perlu menunjukkan bahwa pengetahuan, nilai, dan kepuasan yang boleh berkorelasi. Hal ini juga tidak perlu untuk menentukan bahwa error1, error2, ... , Error9 tidak berkorelasi antara mereka sendiri dan dengan setiap variabel eksogen lainnya.

99 Variabel teramati

Program berikut cocok Model B:

- kinerja (1) ") Sem.AStructure (" 2performance <--- kinerja (1) ") Sem.AStructure (" 1knowledge <--- pengetahuan (1) ") Sem.AStructure (" 2knowledge <--- pengetahuan (1) ") Sem.AStructure (" 1value <--- nilai (1) ") Sem.AStructure (" 2value <--- nilai (1) ") Sem.AStructure (" 1satisfaction <--- kepuasan (1 ) ") Sem.AStructure (" 2satisfaction <--- kepuasan ("& CSTR (1.2) &") ") Sem.AStructure (" kinerja <--- pengetahuan ") Sem.AStructure (" kinerja <--- nilai ") Sem.AStructure (" performance <--- kepuasan ") Sem.AStructure (" kinerja <--- error9 (1) ") Sem.AStructure (" 1performance <--- error1 (1) ") Sem.AStructure ("2performance <--- error2 (1)") Sem.AStructure ("1knowledge <--- error3 (1)") Sem.AStructure

("2knowledge <--- error4 (1)") Sem.AStructure (" 1value <--- error5 (1) ") Sem.AStructure (" 2value <--- error6 (1) ") Sem.AStructure (" 1satisfaction <--- error7 (1) ") Sem.AStructure (" 2satisfaction < --- error8 ("& CSTR (1,095445) &") ") Sem.AStructure (" error1 (alpha) ") Sem.AStructure (" error2 (alpha) ") Sem.AStructure (" error8 (delta) ") Sem AStructure ("error7 (delta)") Sem.AStructure ("error6 (gamma)") Sem.AStructure ("error5 (gamma)") Sem.AStructure ("error4 (beta)") Sem.AStructure ("error3 (. beta) ") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

6

Analisis Eksplorasi

Contoh ini menunjukkan model struktural dengan variabel laten terkait waktu, penggunaan indeks modifikasi dan rasio penting dalam analisis eksplorasi, cara membandingkan beberapa model dalam analisis tunggal, dan perhitungan momen tersirat, faktor nilai bobot, jumlah efek, dan efek tidak langsung .

Wheaton et al. (1977) melaporkan sebuah studi longitudinal 932 orang selama periode 1966-1971. Joreskog dan Sörbom (1984), dan lain-lain sejak, telah menggunakan data Wheaton untuk menunjukkan analisis struktur saat. Enam langkah-langkah Wheaton akan digunakan untuk contoh ini.

Ukur Penjelasan

anomia67 anomia71 powles67 powles71 pendidikan SEI

1967 skor pada skala anomia 1971 anomia skor skor 1967 pada skala ketidakberdayaan 1971 ketidakberdayaan skor Tahun sekolah tercatat dalam Indeks Sosial Ekonomi 1966 Duncan diberikan pada tahun 1966

Lihatlah sampel berarti, deviasi standar, dan korelasi untuk enam langkah. Anda akan menemukan tabel berikut dalam berkas Statistik SPSS, Wheaton.sav. Setelah membaca data, Amos mengubah standar deviasi dan korelasi dalam

101

102 Contoh 6

varians dan covariances, seperti yang diperlukan untuk analisis. Kami tidak akan menggunakan sampel berarti dalam analisis.

Sebuah model untuk Wheaton data

Joreskog dan Sörbom (1984) mengusulkan model ditampilkan pada p. 103 untuk data Wheaton, menyebutnya sebagai Model A. Model mereka menegaskan bahwa semua variabel yang diamati tergantung pada mendasari, variabel teramati. Misalnya, anomia67 dan powles67 baik tergantung pada variabel 67_alienation teramati, variabel hipotetis yang Joreskog dan Sörbom disebut sebagai keterasingan. Variabel teramati eps1 dan eps2 tampaknya memainkan peran yang sama sebagai variabel error1 dan error2 lakukan dalam Contoh 5. Namun, interpretasi mereka di sini berbeda. Dalam Contoh 5, error1 dan error2 memiliki interpretasi alam sebagai kesalahan pengukuran. Dalam contoh ini, karena skala anomia dan ketidakberdayaan tidak dirancang untuk mengukur hal yang sama, tampaknya masuk akal untuk percaya bahwa perbedaan di antara mereka akan jatuh tempo lebih dari sekedar kesalahan pengukuran. Jadi dalam hal ini, eps1 dan eps2 harus dianggap sebagai mewakili tidak hanya kesalahan pengukuran dalam anomia67 dan powles67 tetapi dalam setiap variabel lain yang mungkin mempengaruhi nilai pada dua tes selain 67_alienation (variabel yang mempengaruhi mereka berdua).

Untuk menentukan Model A di Amos Graphics, menggambar diagram jalur yang ditunjukkan berikutnya, atau membuka file contoh Ex06-a.amw. Perhatikan bahwa delapan variabel yang unik (delta1, Delta2, zeta1, zeta2, dan eps1 melalui eps4) tidak berkorelasi antara mereka sendiri dan dengan tiga variabel laten: ses, 67_alienation, dan 71_alienation.

103 Analisis eksplorasi

eps1

eps2

eps3

eps4

1 anomia67 1 1

1 powles67

1 anomia71 1

1 powles71

zeta1

67 keterasingan

71 keterasingan

zeta2

ses

1 educatio 1

delta1

SEI 1

Delta2

Contoh 6: Model Analisis eksplorasi Wheaton (1977) Model Spesifikasi

Model A diidentifikasi kecuali untuk masalah biasa bahwa skala pengukuran setiap variabel teramati tak tentu.

Skala pengukuran masing-masing variabel teramati mungkin sudah ditetapkan secara sewenang-wenang dengan menetapkan bobot regresi untuk kesatuan (1) untuk salah satu jalan yang menunjuk jauh dari itu. Jalur Diagram menunjukkan 11 bobot regresi tetap pada kesatuan (1), yaitu, satu kendala untuk setiap variabel tidak teramati. Kendala-kendala ini cukup untuk membuat model diidentifikasi.

Hasil Analisis

Model ini memiliki 15 parameter yang akan diestimasi (6 bobot regresi dan varians 9). Ada 21 momen sampel (6 varians sampel dan 15 covariances). Hal ini membuat 6 derajat kebebasan.

104 Contoh 6

Data Wheaton berangkat secara signifikan dari model A.

Chi-square = 71,544 Derajat kebebasan = 6 Probabilitas level = 0.000

Berurusan dengan Penolakan

Anda memiliki beberapa pilihan ketika sebuah model yang diusulkan harus ditolak atas dasar statistik:

Anda dapat menunjukkan bahwa pengujian hipotesis statistik dapat menjadi alat yang buruk untuk memilih

model. Joreskog (1967) membahas masalah ini dalam konteks analisis faktor. Ini adalah pandangan yang diterima secara luas bahwa model bisa menjadi hanya sebuah pendekatan yang terbaik, dan bahwa, untungnya, model dapat berguna tanpa benar. Dalam pandangan ini, model apapun pasti akan ditolak atas dasar statistik jika diuji dengan sampel yang cukup besar. Dari sudut pandang ini, penolakan terhadap model atas dasar murni statistik (terutama dengan sampel besar) tidak selalu kecaman.

Anda bisa mulai dari awal untuk merancang model lain untuk menggantikan yang ditolak. Anda dapat mencoba untuk memodifikasi model ditolak dengan cara kecil sehingga sesuai data yang lebih baik.

Ini adalah taktik terakhir yang akan ditunjukkan dalam contoh ini. Cara yang paling alami memodifikasi model untuk membuatnya lebih cocok untuk bersantai beberapa asumsinya. Misalnya, Model A mengasumsikan bahwa eps1 dan eps3 tidak berkorelasi. Anda bisa bersantai pembatasan ini dengan menghubungkan eps1 dan eps3 dengan panah berkepala dua. Model tersebut juga menetapkan bahwa anomia67 tidak tergantung langsung pada ses. Anda bisa menghapus asumsi ini dengan menggambar panah tunggal berkepala dari sesi ke anomia67. Sebuah model tidak terjadi untuk membatasi parameter apapun untuk menjadi sama dengan parameter lain, tetapi jika kendala seperti itu hadir, Anda mungkin mempertimbangkan menghapus mereka dengan harapan mendapatkan lebih cocok. Tentu saja, Anda harus berhati-hati saat bersantai asumsi model yang Anda tidak mengaktifkan model diidentifikasi menjadi satu tak dikenal.

105 Analisis eksplorasi

Indeks Modifikasi

Anda dapat menguji berbagai modifikasi dari model dengan melakukan analisis terpisah untuk setiap modifikasi potensial, namun pendekatan ini memakan waktu. Indeks modifikasi memungkinkan Anda untuk mengevaluasi potensi banyak modifikasi dalam analisis tunggal. Mereka memberikan saran untuk model modifikasi yang mungkin untuk melunasi nilai chisquare kecil.

Menggunakan Indeks Modifikasi

E Aktifkan Indeks Modifikasi kotak centang. Untuk contoh ini, meninggalkan Threshold untuk modifikasi indeks ditetapkan pada 4.

Berikut ini adalah indeks modifikasi untuk Model A:

106 Contoh 6

Judul kolom M.I. dalam tabel ini adalah singkatan Index Modifikasi. Indeks-indeks modifikasi yang dihasilkan adalah yang dijelaskan oleh Joreskog dan Sörbom (1984). Pertama indeks modifikasi terdaftar (5,905) adalah perkiraan yang konservatif dari penurunan

chi-square yang akan terjadi jika eps2 dan delta1 diperbolehkan berkorelasi. Baru statistik chi-square akan memiliki 5 (= 6-1) derajat kebebasan dan akan ada lebih dari 65,639 (71,544-5,905). Penurunan sebenarnya dari statistik chi-kuadrat mungkin jauh lebih besar dari 5,905. Kolom berlabel Ubah Par memberikan perkiraan perkiraan berapa banyak masing-masing parameter akan berubah jika diperkirakan daripada tetap pada 0. Amos memperkirakan bahwa kovarians antara eps2 dan delta1 akan - 0,424. Berdasarkan indeks modifikasi kecil, tidak terlihat seolah-olah banyak yang akan bisa diperoleh dengan membiarkan eps2 dan delta1 berkorelasi. Selain itu, hal itu akan sulit untuk membenarkan modifikasi tertentu atas dasar teoritis bahkan jika hal itu menghasilkan cocok diterima.

Mengubah Ambang Indeks Modifikasi

Secara default, Amos hanya menampilkan indeks modifikasi yang lebih besar dari 4, tetapi Anda dapat mengubah batas ini.

E Masukkan nilai di Ambang untuk modifikasi indeks kotak teks. Ambang batas yang sangat kecil

akan menghasilkan tampilan banyak indeks modifikasi yang terlalu kecil untuk menjadi perhatian. Indeks modifikasi terbesar di Model A adalah 40,911. Hal ini menunjukkan bahwa memungkinkan eps1 dan eps3 berkorelasi akan menurunkan statistik chi-square dengan setidaknya 40,911. Ini merupakan modifikasi layak mempertimbangkan karena cukup masuk akal bahwa kedua variabel harus berkorelasi. Eps1 mewakili variabilitas dalam anomia67 yang tidak disebabkan oleh variasi 67_alienation. Demikian pula, eps3 mewakili variabilitas dalam anomia71 yang tidak disebabkan oleh variasi 71_alienation. Anomia67 dan anomia71 adalah nilai skala pada instrumen yang sama (pada waktu yang berbeda). Jika skala anomia mengukur sesuatu selain keterasingan, Anda akan berharap untuk menemukan korelasi antara nol eps1 dan eps3. Bahkan, Anda akan mengharapkan korelasi positif, yang konsisten dengan fakta bahwa jumlah dalam Perubahan kolom Par positif.

107 Analisis eksplorasi

Alasan teoritis untuk mencurigai bahwa eps1 dan eps3 mungkin berkorelasi terapkan untuk eps2 dan eps4 juga.

Indeks-indeks modifikasi juga menyarankan memungkinkan eps2 dan eps4 berkorelasi. Namun, kami akan mengabaikan modifikasi ini potensial dan segera melanjutkan untuk melihat hasil memodifikasi Model A dengan membiarkan eps1 dan eps3 berkorelasi. Model baru ini Joreskog dan Sörbom yang Model B.

Model B untuk Wheaton data

Anda dapat memperoleh Model B dengan memulai dengan diagram jalur untuk Model A dan menggambar panah berkepala dua antara eps1 dan eps3. Jika panah berkepala dua yang baru melampaui batas-batas area cetak, Anda dapat menggunakan tombol Shape untuk mengatur kelengkungan panah berkepala ganda. Anda juga dapat menggunakan tombol Move untuk memposisikan titik akhir dari panah berkepala ganda. Jalur Diagram untuk Model B yang terkandung dalam file Ex06-b.amw.

eps1

eps2

eps3

eps4

1 anomia67 1

zeta1

1 pow les67

1 anomia71 1

1 pow les71

1

67 keterasingan

71 keterasingan

zeta2

ses

1 educatio 1

delta1

SEI 1

Delta2

Ujian ple 6: Model B eksplorasi analisis W heaton (1977) Model Spesifikasi

108 Contoh 6

Teks Keluaran

Menambahkan kovarians antara eps1 dan eps3 menurunkan derajat kebebasan dengan 1.

Statistik chi-square berkurang secara substansial lebih dari yang dijanjikan 40,911.

Chi-square = 6,383 Derajat kebebasan = 5 tingkat Probabilitas = 0,271

Model B tidak dapat ditolak. Sejak fit Model B begitu baik, kita tidak akan mengejar kemungkinan, disebutkan sebelumnya, yang memungkinkan eps2 dan eps4 berkorelasi. (Sebuah argumen dapat dibuat bahwa korelasi antara nol dan eps2 eps4 harus diizinkan untuk mencapai simetri yang kurang dalam Model B.) memperkirakan parameter baku harus ditafsirkan dengan hati-hati karena mereka akan berbeda jika kendala identifikasi yang berbeda telah diberlakukan.

109 Analisis eksplorasi

Perhatikan rasio kritis besar yang terkait dengan jalur kovarians baru. Kovarians antara eps1 dan eps3 jelas berbeda dari 0. Hal ini menjelaskan kurang fit Model A, di mana kovarians yang tetap pada 0.

Keluaran grafis untuk Model B

Berikut ini diagram jalur menampilkan perkiraan standar dan beberapa squared korelasi:

.38

.57 Anomia67 .76

.76 Powles67 .87

.62 .79 .58 Anomia71

.73 Powles71 .86

67 keterasingan

0,31-0,55

71 keterasingan

.50

- .20 .64 SEI

.85 .72 .41

Chi-square = 6.38 df = 5 p = .27

educatio

Contoh 6: Model B eksplorasi analisis W heaton (1977) memperkirakan Standar

Karena variabel kesalahan dalam model mewakili lebih dari sekedar kesalahan pengukuran, kuadrat beberapa korelasi tidak dapat diartikan sebagai perkiraan reliabilitas. Sebaliknya, masing-masing korelasi berganda kuadrat adalah perkiraan batas bawah pada keandalan yang sesuai. Ambil pendidikan, misalnya. Rekening ses selama 72% dari varians. Karena itu, Anda akan memperkirakan kehandalan untuk minimal 0,72. Mengingat pendidikan yang diukur dalam tahun pendidikan, nampaknya kehandalan jauh lebih besar.

110 Contoh 6

Penyalahgunaan Indeks Modifikasi

Dalam mencoba untuk memperbaiki model, Anda tidak harus dipandu secara eksklusif oleh indeks modifikasi. Modifikasi harus dipertimbangkan hanya jika masuk akal teoritis atau umum. Sebuah ketergantungan budak pada indeks modifikasi tanpa batasan tersebut berjumlah memilah-milah jumlah yang sangat besar potensi modifikasi untuk mencari salah satu yang menyediakan peningkatan besar dalam fit. Strategi semacam ini rentan, melalui kapitalisasi pada kesempatan, untuk menghasilkan (dan masuk akal) model yang tidak sesuai yang memiliki nilai chi-square diterima. Masalah ini dibahas oleh MacCallum (1986) dan oleh MacCallum, Roznowski, dan Necowitz (1992).

Meningkatkan Model oleh Menambahkan Kendala Baru

Indeks Modifikasi menyarankan cara untuk meningkatkan model dengan meningkatkan jumlah parameter sedemikian rupa bahwa statistik chi-square jatuh lebih cepat daripada derajat kebebasan. Perangkat ini dapat disalahgunakan, tetapi memiliki tempat yang sah dalam studi eksplorasi. Ada juga trik lain yang dapat digunakan untuk menghasilkan model dengan nilai chi-square lebih dapat diterima. Teknik ini memperkenalkan kendala tambahan dengan cara seperti untuk menghasilkan peningkatan yang relatif besar dalam derajat kebebasan, ditambah dengan peningkatan yang relatif kecil dalam statistik chi-square. Banyak modifikasi tersebut secara kasar dapat dievaluasi dengan melihat rasio kritis dalam kolom CR. Kami telah melihat (dalam Contoh 1) bagaimana rasio kritis tunggal dapat digunakan untuk

menguji hipotesis bahwa parameter populasi tunggal sama dengan 0. Namun demikian, rasio kritis juga memiliki arti lain. Kuadrat dari rasio kritis parameter adalah, kira-kira, jumlah dimana statistik chi-square akan meningkat jika analisis diulang dengan parameter tetap pada 0.

Menghitung Rasio Kritis

Jika dua estimasi parameter berubah menjadi hampir sama, Anda mungkin dapat meningkatkan uji chi-square fit oleh mendalilkan model baru di mana dua parameter yang ditentukan untuk menjadi persis sama. Untuk membantu menemukan pasang parameter yang tidak berbeda secara signifikan dari satu sama lain, Amos menyediakan rasio penting bagi setiap pasangan parameter.

111 Analisis eksplorasi

E Dari menu, pilih View → Analisis Properties. E Dalam Analisis kotak dialog Properties, klik tab Output. E Aktifkan rasio Kritis untuk perbedaan kotak centang.

Ketika Amos menghitung rasio penting untuk perbedaan parameter, itu menghasilkan nama untuk setiap parameter yang tidak menyebutkan nama selama spesifikasi model. Nama-nama yang ditampilkan dalam output teks di sebelah estimasi parameter. Berikut adalah estimasi parameter untuk Model B. nama parameter yang dihasilkan oleh Amos dalam kolom Label.

112 Contoh 6

Nama parameter yang dibutuhkan untuk menafsirkan rasio kritis dalam tabel berikut:

Rasio Kritis untuk Perbedaan antara Parameter (Model Default)

par_1 par_2 par_3 par_4 par_5 par_6 par_7 par_8 par_9 par_10 par_11 par_12 par_13 par_14 par_15 par_16

par_1 .000 .877 9,883 -4,429 -17,943 -22,343 3,903 8,955 8,364 7,781 11,106 3,826 10,425 4,697 3,393 14,615 par_7 .000 7,128 5,388 4,668 9,773 .740 8,318 1,798 1,482 14,563 par_13 .000 -3,322 -3,199 14,400

par_2 .000 9,741 -5,931 -16,634 -26,471 3,689 8,866 7,872 8,040 11,705 3,336 9,659 4,906 3,283 14,612 par_8 .000 -2,996 -4,112 -2,402 -6,387 -2,695 -5,701 -3,787 14,506 0,077 14,518 .000 par_14

par_3

par_4

par_5

par_6

.000 -10,579 -12,284 -12,661 -6,762 1,707-0,714 -2,362 - 0,186 -5,599 - 0,621 -4,642 -7,280 14,192 par_9

.000 -18,098 -17,300 5,056 9,576 9,256 9,470 11,969 4,998 10,306 6,353 4,019 14,637 par_10

.000 -5,115 8,490 10,995 11,311 11,683 14,039 7,698 12,713 8,554 5,508 14,687

.000 10,124 11,797 12,047 12,629 15,431 8,253 13,575 9,602 5,975 14,712

par_11

par_12

par_7 par_8 par_9 par_10 par_11 par_12 par_13 par_14 par_15 par_16

.000 -1,624 0,548 -5,254 0,169 -3,909 -2,667 14,439 par_15

.000 2,308 -3,507 1,554 -2,790 -1,799 14,458 par_16

.000 -4,728 - 0,507 -4,735 -3,672 14,387

.000 5,042 .999 .855 14,544

par_13 par_14 par_15 par_16

.000 14,293

.000

Mengabaikan 0 ada di bawah diagonal utama, tabel rasio kritis mengandung 120 entri, satu untuk setiap pasangan parameter. Mengambil nomor 0,877 dekat sudut kiri atas meja. Ini rasio penting adalah perbedaan antara parameter berlabel

113 Analisis Eksplorasi

par_1 dan par_2 dibagi dengan standard error estimasi perbedaan ini. Kedua parameter bobot regresi powles71 <- 71_alienation dan powles67 <- 67_alienation. Berdasarkan asumsi distribusi tercantum pada hal. 35, rasio statistik kritis dapat dievaluasi dengan menggunakan tabel distribusi normal standar untuk menguji apakah dua parameter yang sama dalam populasi. Karena 0,877 kurang dalam besarnya dari 1,96, Anda tidak akan menolak, pada tingkat 0,05, hipotesis bahwa dua bobot regresi yang sama dalam populasi. Kuadrat dari rasio penting untuk perbedaan antara parameter adalah sekitar jumlah dimana statistik chi-square akan meningkat jika dua parameter yang ditetapkan sama satu sama lain. Karena kuadrat dari 0,877 adalah 0,769, memodifikasi Model B yang mengharuskan dua bobot regresi memiliki perkiraan yang sama akan menghasilkan nilai chi-kuadrat dari sekitar 6,383 + 0,769 = 7,172. Derajat kebebasan untuk model baru akan menjadi 6 bukannya 5. Ini akan menjadi perbaikan fit (p = 0,307 p = 0,275 dibandingkan untuk Model B), tapi kita bisa melakukannya jauh lebih baik dari itu. Mari kita mencari rasio kritis terkecil. Terkecil rasio kritis dalam tabel adalah 0,077, untuk parameter berlabel par_14 dan par_15. Kedua parameter merupakan varians eps4 dan delta1. Kuadrat dari 0.077 adalah sekitar 0,006. Sebuah modifikasi dari model B yang mengasumsikan eps4 dan delta1 memiliki varian yang sama akan menghasilkan nilai chi-square yang melebihi 6,383 sekitar 0,006, tetapi dengan 6 derajat kebebasan, bukan 5.

Tingkat probabilitas yang terkait akan menjadi sekitar 0.381. Satu-satunya masalah dengan modifikasi ini adalah bahwa ada tampaknya tidak akan ada pembenaran untuk itu, yaitu, ada tampaknya tidak akan ada alasan apriori untuk mengharapkan eps4 dan delta1 memiliki varian yang sama. Kami baru saja membahas penyalahgunaan tabel rasio penting untuk perbedaan. Namun, meja memang memiliki penggunaan yang sah dalam pemeriksaan cepat sejumlah kecil hipotesis. Sebagai contoh penggunaan yang tepat dari meja, mempertimbangkan fakta bahwa pengamatan pada anomia67 dan anomia71 diperoleh dengan menggunakan instrumen yang sama pada dua kesempatan. Hal yang sama berlaku untuk powles67 dan powles71. Adalah masuk akal bahwa tes akan berperilaku dengan cara yang sama pada dua kesempatan. Rasio penting untuk perbedaan ini konsisten dengan hipotesis ini. Varians dari eps1 dan eps3 (par_11 dan par_13) berbeda dengan rasio kritis -0.51. Varians dari eps2 dan eps4 (par_12 dan par_14) berbeda dengan rasio kritis 1,00. Bobot untuk regresi ketidakberdayaan pada keterasingan (par_1 dan par_2) berbeda dengan rasio kritis 0,88. Tak satu pun dari perbedaan ini, diambil secara individual, signifikan pada setiap tingkat signifikansi konvensional. Hal ini menunjukkan bahwa mungkin bermanfaat untuk menyelidiki lebih seksama model di mana semua tiga perbedaan yang dibatasi menjadi 0. Kami akan memanggil model baru ini Model C.

114 Contoh 6

Model C untuk Wheaton data

Berikut adalah diagram jalur untuk Model C dari file Ex06-c.amw:

var_a

var_p

1 powles67 path_p

1 powles71 path_p 1

Contoh 6: Model C eksplorasi analisis Wheaton (1977) Model Spesifikasi

Label path_p memerlukan bobot regresi untuk memprediksi ketidakberdayaan dari keterasingan untuk menjadi sama pada tahun 1971 seperti di tahun 1967. Label var_a digunakan untuk menentukan bahwa eps1 dan eps3 memiliki varians yang sama.

Label var_p digunakan untuk menentukan bahwa eps2 dan eps4 memiliki varians yang sama.

Hasil untuk Model C

Model C memiliki tiga derajat kebebasan dari Model B:

115 Analisis eksplorasi

Pengujian Model C

Seperti yang diharapkan, Model C memiliki cocok diterima, dengan tingkat probabilitas tinggi dari Model B:

Chi-square = 7,501 Derajat kebebasan = 8 tingkat Probabilitas = 0,484

Anda dapat menguji Model C melawan Model B dengan memeriksa perbedaan dalam nilai chi-square (7,501-6,383 = 1,118) dan perbedaan derajat kebebasan (8-5 = 3). Sebuah nilai chi-square 1,118 dengan 3 derajat kebebasan tidak signifikan.

Perkiraan Parameter untuk Model C

Perkiraan standar untuk model C adalah sebagai berikut:

.58 Anomia67 .76

.74 Powles67 .86

.60 .78 .58 Anomia71

.76 Powles71 .87

0,31-0,56

- .19 .64 SEI

.85 .71 .41

Chi-square = 7.50 df = 8 p = .48

Contoh 6: Model C eksplorasi analisis Wheaton (1977) memperkirakan Standar

116 Contoh 6

Beberapa Model dalam Analisis Tunggal

Amos memungkinkan untuk pemasangan beberapa model dalam analisis tunggal. Hal ini memungkinkan Amos untuk merangkum hasil untuk semua model dalam satu meja. Hal ini juga memungkinkan Amos untuk melakukan uji chi-square untuk bersarang Model perbandingan. Dalam contoh ini, Model A, B, dan C dapat dipasang dalam analisis tunggal dengan mencatat bahwa Model A dan C masing-masing dapat diperoleh dengan membatasi parameter Model B. Dalam diagram jalur berikut dari file Ex06-all.amw , parameter Model B yang perlu dibatasi untuk menghasilkan Model A atau Model C telah ditetapkan nama:

cov1 var_a67

var_p67

var_a71

var_p71

1 anom ia67 1 1

1 pow les67 b_pow67

1 anom ia71 1

1 pow les71 b_pow 71

pengasingan

67

71

E xam ple 6: M ost G eneral M odel E xploratory A nalysis W heaton (1977) M odel S pecification

Tujuh parameter dalam jalan ini diagram diberi nama: var_a67, var_p67, var_a71, var_p71, b_pow67, b_pow71, dan cov1. Penamaan parameter tidak membatasi salah satu parameter untuk menjadi sama dengan satu sama lain karena tidak ada dua parameter diberi nama yang sama. Namun, memiliki nama untuk variabel memungkinkan menghambat mereka dalam berbagai cara, seperti sekarang akan ditunjukkan.

117 Analisis eksplorasi

Menggunakan parameter menamai saja memperkenalkan, Model A dapat diperoleh dari model yang paling umum (Model B) dengan mengharuskan cov1 = 0.

E Dalam Model panel di sebelah kiri diagram jalur, klik dua kali default Model.

The Mengelola kotak dialog Model muncul.

E Dalam Model Nama kotak teks, ketik Model A: Tidak ada Autokorelasi.

E Klik dua kali cov1 di panel kiri.

Perhatikan bahwa cov1 muncul dalam kotak Kendala Parameter.

E Type cov1 = 0 di kotak Kendala Parameter.

118 Contoh 6

Ini melengkapi spesifikasi Model A.

E Pada kotak dialog Manage Model, klik Baru. E Dalam Model Nama kotak teks, ketik Model B: Paling Umum.

Model B tidak memiliki kendala selain yang dalam diagram jalur, sehingga Anda dapat segera melanjutkan Model C.

E Klik Baru. E Dalam Nama Model kotak teks, ketik Model C: Sisa-invarian. E Dalam Parameter Kendala kotak, ketik:

b_pow67 = b_pow71 var_a67 = var_a71 var_p67 = var_p71

Demi kelengkapan, model keempat (Model D) akan diperkenalkan, menggabungkan kendala tunggal Model A dengan tiga kendala Model C. Model D dapat ditentukan tanpa mengetik ulang kendala.

E Dalam Nama Model kotak teks, ketik Model D: A dan C Gabungan.

119 Analisis eksplorasi

Model A: Tidak ada Autokorelasi Model C: Sisa-invarian

Garis-garis ini memberitahu bahwa Amos Model D menggabungkan kendala dari kedua Model A dan Model C. Sekarang kita telah menetapkan batasan parameter untuk semua empat model, langkah terakhir adalah untuk melakukan analisis dan melihat output.

Output dari Beberapa Model

Melihat Keluaran Graphics untuk Model Individu

Ketika Anda pas beberapa model, menggunakan panel Model untuk menampilkan diagram dari model yang berbeda. Model panel hanya di sebelah kiri diagram jalur. Untuk menampilkan model, klik namanya.

Melihat Statistik Fit untuk Semua Empat Model

E Dari menu, pilih View → Text Output. E Dalam diagram pohon di sebelah kiri atas jendela Output Amos, klik Model Fit.

Berikut ini adalah bagian dari output yang menunjukkan statistik chi-kuadrat:

120 Contoh 6

Kolom CMIN berisi perbedaan minimum untuk masing-masing model. Dalam kasus estimasi kemungkinan maksimum (default), kolom CMIN berisi statistik chi-square. P kolom berisi sesuai probabilitas atas ekor untuk menguji masing-masing model. Untuk pasang bersarang model, Amos menyediakan tabel perbandingan model, lengkap dengan tes perbedaan chi-square dan nilai-nilai p yang terkait.

E Dalam diagram pohon di sebelah kiri atas jendela Output Amos, klik Model Perbandingan.

Tabel ini menunjukkan, misalnya, bahwa Model C tidak cocok signifikan lebih buruk daripada Model B (p = 0,773). Dengan kata lain, asumsi bahwa Model B benar, Anda akan menerima hipotesis waktu invarian. Di sisi lain, tabel menunjukkan bahwa Model A cocok signifikan lebih buruk daripada Model B (p = 0,000). Dengan kata lain, asumsi bahwa Model B benar, Anda akan menolak hipotesis bahwa eps1 dan eps3 tidak berkorelasi.

121 Analisis eksplorasi

Mendapatkan output Opsional

Varians dan covariances antara variabel yang diamati dapat diperkirakan dengan asumsi bahwa Model C benar.

E Pilih momen Tersirat (tanda centang di samping itu). E Untuk mendapatkan variasi tersirat dan covariances untuk semua variabel dalam model kecuali variabel kesalahan, pilih Semua momen tersirat.

Untuk Model C, memilih Semua momen tersirat memberikan output sebagai berikut:

Varians tersirat dan covariances untuk variabel yang diamati tidak sama dengan varians sampel dan covariances. Sebagai perkiraan nilai populasi yang sesuai, varians tersirat dan covariances lebih unggul varians sampel dan covariances (dengan asumsi bahwa Model C benar).

Jika Anda mengaktifkan kedua perkiraan Standar dan Semua momen tersirat kotak centang dalam Analisis kotak dialog Properti, Amos akan memberikan korelasi matriks tersirat dari semua variabel serta matriks kovariansi tersirat.

122 Contoh 6

Matriks kovariansi tersirat untuk semua variabel dalam model dapat digunakan untuk melaksanakan regresi variabel teramati pada variabel yang diamati. Menghasilkan perkiraan berat regresi dapat diperoleh dari Amos dengan mengaktifkan Faktor skor bobot kotak centang. Berikut adalah perkiraan faktor bobot skor untuk Model C:

Tabel faktor bobot skor memiliki baris terpisah untuk setiap variabel teramati, dan kolom terpisah untuk setiap variabel yang diamati. Misalkan Anda ingin memperkirakan nilai ses seorang individu. Anda akan menghitung jumlah tertimbang dari enam skor diamati individu menggunakan enam bobot di baris ses meja.

Mendapatkan Tabel tidak langsung, langsung, dan Total Effects

Koefisien yang terkait dengan panah tunggal berkepala dalam diagram jalur kadang-kadang disebut efek langsung. Dalam Model C, misalnya, ses memiliki efek langsung pada 71_alienation. Pada gilirannya, 71_alienation memiliki efek langsung pada powles71. Ses kemudian dikatakan memiliki efek tidak langsung (melalui perantaraan 71_alienation) pada powles71.

E Aktifkan langsung, efek langsung & jumlah kotak centang.

Untuk Model C, output mencakup tabel berikut total efek:

123 Analisis eksplorasi

Baris pertama tabel menunjukkan bahwa 67_alienation tergantung, langsung atau tidak langsung, di ses saja. Efek total dari sesi pada 67_alienation adalah -0.56. Kenyataan bahwa efek negatif berarti bahwa, semua hal lain dianggap sama, skor ses relatif tinggi berhubungan dengan skor 67_alienation relatif rendah. Mencari di baris kelima dari tabel, powles71 tergantung, langsung atau tidak langsung, pada ses,

67_alienation, dan 71_alienation. Skor rendah pada sesi, skor tinggi pada 67_alienation, dan skor tinggi pada 71_alienation berhubungan dengan skor tinggi pada powles71. Lihat Fox (1980) untuk bantuan lebih lanjut dalam menafsirkan langsung, tidak langsung, dan efek total.

Modeling di VB.NET

Model A

Program berikut cocok Model A. disimpan sebagai Ex06-a.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Mods (4) Sem.BeginGroup (Sem.AmosDir & "Contoh \ Wheaton.sav") Sem.AStructure ("anomia67 <--- 67_alienation (1 ) ") Sem.AStructure (" anomia67 <--- eps1 (1) ") Sem.AStructure (" powles67 <--- 67_alienation ") Sem.AStructure (" powles67 <--- eps2 (1) ") Sem. AStructure ("anomia71 <--- 71_alienation (1)") Sem.AStructure ("anomia71 <--- eps3 (1)") Sem.AStructure ("powles71 <--- 71_alienation") Sem.AStructure ("powles71 < --- eps4 (1) ") Sem.AStructure (" 67_alienation <--- ses ") Sem.AStructure (" 67_alienation <--- zeta1 (1) ") Sem.AStructure (" 71_alienation <--- 67_alienation " ) Sem.AStructure ("71_alienation <--- ses") Sem.AStructure ("71_alienation <--- zeta2 (1)") Sem.AStructure ("educatio <--- ses (1)") Sem.AStructure ( "educatio <--- delta1 (1)") Sem.AStructure ("SEI <--- ses") Sem.AStructure ("SEI <--- Delta2 (1)") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

124 Contoh 6

Model B

Program berikut cocok Model B. Hal ini disimpan sebagai Ex06-b.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.Crdiff () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Wheaton.sav") Sem.AStructure ( "anomia67 <--- 67_alienation (1)") Sem.AStructure ("anomia67 <--- eps1 (1)") Sem.AStructure ("powles67 <--- 67_alienation") Sem.AStructure ("powles67 <- - eps2 (1) ") Sem.AStructure (" anomia71 <--- 71_alienation (1) ") Sem.AStructure (" anomia71 <--- eps3 (1) ") Sem.AStructure (" powles71 <--- 71_alienation ") Sem.AStructure (" powles71 <--- eps4 (1) ") Sem.AStructure (" 67_alienation <--- ses ") Sem.AStructure (" 67_alienation <--- zeta1 (1) ") Sem.AStructure ("71_alienation <--- 67_alienation") Sem.AStructure ("71_alienation <--- ses") Sem.AStructure

("71_alienation <--- zeta2 (1)") Sem.AStructure ("educatio <--- ses (1) ") Sem.AStructure (" educatio <--- delta1 (1) ") Sem.AStructure (" SEI <--- ses ") Sem.AStructure (" SEI <--- Delta2 (1) ") Sem.AStructure ("eps1 <---> eps3") 'Sem.FitModel sisa autocorrelated () Akhirnya Sem.Dispose () End Try End Sub

125 Analisis eksplorasi

Model C

Program berikut cocok Model C. disimpan sebagai Ex06-c.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.AllImpliedMoments () Sem.FactorScoreWeights () Sem.TotalEffects () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Wheaton.sav ") Sem.AStructure (" anomia67 <--- 67_alienation (1) ") Sem.AStructure (" anomia67 <--- eps1 (1) ") Sem.AStructure (" powles67 <--- 67_alienation ( path_p) ") Sem.AStructure (" powles67 <--- eps2 (1) ") Sem.AStructure (" anomia71 <--- 71_alienation (1) ") Sem.AStructure (" anomia71 <--- eps3 (1) ") Sem.AStructure (" powles71 <--- 71_alienation (path_p) ") Sem.AStructure (" powles71 <--- eps4 (1) ") Sem.AStructure (" 67_alienation <--- ses ") Sem.AStructure ("67_alienation <--- zeta1 (1)") Sem.AStructure ("71_alienation <--- 67_alienation") Sem.AStructure ("71_alienation <--- ses") Sem.AStructure ("71_alienation <--- zeta2 (1) ") Sem.AStructure (" educatio <--- ses (1) ") Sem.AStructure (" educatio <--- delta1 (1) ") Sem.AStructure (" SEI <--- ses ") Sem.AStructure ("SEI <--- Delta2 (1)") Sem.AStructure ("eps3 <-> eps1") Sem.AStructure ("eps1 (var_a)") Sem.AStructure ("eps2 (var_p)" ) Sem.AStructure ("eps3 (var_a)") Sem.AStructure ("eps4 (var_p)") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

126 Contoh 6

Fitting Beberapa Model

Untuk memenuhi semua tiga model, A, B, dan C dalam analisis tunggal, mulai dengan program berikut, yang memberikan nama unik untuk beberapa parameter:

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.AllImpliedMoments () Sem.TotalEffects () Sem.FactorScoreWeights () Sem.Mods (4) Sem.Crdiff ( ) Sem.BeginGroup (Sem.AmosDir & "Contoh \ Wheaton.sav") Sem.AStructure ("anomia67 <--- 67_alienation (1)") Sem.AStructure ("anomia67 <--- eps1 (1)") Sem

AStructure ("powles67 <--- 67_alienation (b_pow67)") Sem.AStructure ("powles67 <--- eps2 (1)") Sem.AStructure ("anomia71 <--- 71_alienation (1)") Sem.AStructure. ("anomia71 <--- eps3 (1)") Sem.AStructure ("powles71 <--- 71_alienation (b_pow71)") Sem.AStructure ("powles71 <--- eps4 (1)") Sem.AStructure (" 67_alienation <--- ses ") Sem.AStructure (" 67_alienation <--- zeta1 (1) ") Sem.AStructure (" 71_alienation <--- 67_alienation ") Sem.AStructure (" 71_alienation <--- ses ") Sem.AStructure ("71_alienation <--- zeta2 (1)") Sem.AStructure ("educatio <--- ses (1)") Sem.AStructure ("educatio <--- delta1 (1)") Sem. AStructure ("SEI <--- ses") Sem.AStructure ("SEI <--- Delta2 (1)") Sem.AStructure ("eps3 <-> eps1 (cov1)") Sem.AStructure ("eps1 ( var_a67) ") Sem.AStructure (" eps2 (var_p67) ") Sem.AStructure (" eps3 (var_a71) ") Sem.AStructure (" eps4 (var_p71) ") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Karena nama parameter yang unik, penamaan parameter tidak membatasi mereka. Namun, penamaan parameter tidak mengizinkan memaksakan kendala melalui penggunaan metode Model. Menambahkan baris berikut ke program tersebut, di tempat

127 Analisis eksplorasi

Garis Sem.FitModel, akan sesuai dengan model empat kali, setiap kali dengan set yang berbeda dari

kendala parameter:

Sem.Model ("Model A: Tidak ada Autokorelasi", "cov1 = 0") Sem.Model ("Model B: Paling Umum", "") Sem.Model ("Model C: Waktu-invarian", _ "b_pow67 = b_pow71; var_a67 = var_a71; var_p67 = var_p71 ") Sem.Model (" Model D: A dan C Gabungan ", _" Model A: Tidak ada Autokorelasi; Model C: Waktu-invarian ") Sem.FitAllModels ()

Baris pertama mendefinisikan versi model yang disebut Model A: Tidak ada Autokorelasi di mana parameter yang disebut cov1 tetap pada 0. Baris kedua mendefinisikan sebuah versi dari model yang disebut Model B: Paling Umum di mana tidak ada kendala tambahan yang dikenakan pada model parameter. Penggunaan ketiga metode Model mendefinisikan sebuah versi dari model yang disebut Model C: Sisa-invarian yang memaksakan kendala kesetaraan:

Penggunaan keempat metode Model mendefinisikan sebuah versi dari model yang disebut Model D: A dan C Gabungan yang menggabungkan kendala tunggal Model A dengan tiga kendala Model C. terakhir spesifikasi model (Model D) menunjukkan bagaimana model sebelumnya

spesifikasi dapat digunakan dalam definisi model baru, lebih dibatasi. Dalam rangka untuk cocok untuk semua model sekaligus, metode FitAllModels harus digunakan sebagai pengganti FitModel. Metode FitModel cocok satu model saja. Secara default, cocok model pertama, yang dalam contoh ini adalah Model A. Anda bisa menggunakan FitModel (1) agar sesuai dengan model pertama, atau FitModel (2) agar sesuai dengan model kedua. Anda juga bisa menggunakan, katakanlah, FitModel ("Model C: Waktu-invarian") agar sesuai Model C. Ex06-all.vb berisi program yang cocok untuk semua empat model.

Contoh

7

Model nonrecursive

Pengantar

Contoh ini menunjukkan model persamaan struktural dengan model nonrecursive.

Tentang Data

Felson dan Bohrnstedt (1979) mempelajari 209 perempuan dari enam sampai kelas delapan. Mereka membuat pengukuran pada variabel-variabel berikut:

Variabel Deskripsi

akademik atletik menarik IPK tinggi bobot penilaian

Persepsi kemampuan akademik, ukuran sociometric berdasarkan Nama barang yang Anda pikir tiga teman sekelas cerdas Anda Persepsi kemampuan atletik, ukuran sociometric berdasarkan Nama barang tiga teman sekelas Anda yang Anda pikir yang terbaik di olahraga Persepsi tarik, ukuran sociometric didasarkan pada Nama item tiga gadis di kelas yang Anda pikir adalah yang paling tampan (termasuk diri sendiri) Kelas titik Deviasi rata-rata tinggi dari ketinggian rata-rata untuk kelas subjek dan Berat seks, disesuaikan Ratings ketinggian tarik fisik diperoleh memiliki anak dari kota lain foto tingkat subyek

129

130 Contoh 7

Contoh korelasi, sarana, dan standar deviasi untuk variabel-variabel enam terkandung dalam berkas Statistik SPSS, Fels_fem.sav. Berikut adalah data file seperti yang muncul dalam SPSS Data Statistik Editor:

Sampel berarti tidak digunakan dalam contoh ini.

Felson dan Bohrnstedt yang Model

Felson dan Bohrnstedt mengusulkan model berikut untuk enam dari tujuh variabel yang diukur:

IPK akademik

error1

tinggi berat badan menarik

error2

penilaian

Contoh 7 Sebuah model nonrecursive Felson dan Bohrnstedt (1979) (subyek Wanita) Model Spesifikasi

131 Model nonrecursive

Prestasi akademik yang dirasakan dimodelkan sebagai fungsi dari IPK dan persepsi daya tarik (menarik). Persepsi tarik, pada gilirannya, dimodelkan sebagai fungsi dari prestasi akademik yang dirasakan, tinggi, berat, dan peringkat daya tarik oleh anak-anak dari kota lain. Terutama penting dalam model ini adalah bahwa kemampuan akademik tergantung pada daya tarik yang dirasakan, dan sebaliknya. Sebuah model dengan loop umpan balik disebut nonrecursive (istilah rekursif dan nonrecursive

didefinisikan sebelumnya dalam Contoh 4). Model saat ini adalah nonrecursive karena mungkin untuk melacak jalur dari menarik ke akademik dan kembali. Path Diagram ini disimpan dalam Ex07.amw berkas.

Model Identifikasi

Kita perlu membentuk unit pengukuran untuk dua variabel teramati, error1 dan error2, untuk tujuan identifikasi. Diagram jalur sebelumnya menunjukkan dua bobot regresi tetap pada 1. Kedua kendala cukup untuk membuat model diidentifikasi.

Hasil Analisis

Model ini memiliki dua derajat kebebasan, dan tidak ada bukti yang signifikan bahwa model yang salah.

Chi-square = 2,761 Derajat kebebasan = 2 tingkat Probabilitas = 0,251

Ada, Namun, beberapa bukti bahwa model tersebut tidak perlu rumit, seperti yang ditunjukkan oleh beberapa rasio penting yang sangat kecil dalam output teks.

132 Contoh 7

Regresi Bobot: (Group nomor 1 - Model Default)

akademik <--- IPK menarik <--- ketinggian menarik <--- berat menarik <--- Peringkat menarik <--- akademik akademik <--- menarik Perkiraan 0,023 0,000-0,002 0,176 1,607-0,002 SE 0,246 0,205 4,676 0,712 4,098 1,395 0,010 CR 10,198 10,198 10,198 10,198 5,747 9,974 SE .004 .010 .001 .027 .349 .051 CR P 6,241 *** 0,050 0,960 -1,321 0,186 6,444 *** 4,599 *** - 0,039 0,969 P .032 .023 .151 .011 ** **** 0,702 Label Label

Covariances: (Group nomor 1 - Model Default)

IPK <-> ketinggian Peringkat <-> Peringkat IPK <-> berat IPK <-> ketinggian tinggi <-> berat badan <-> Peringkat error1 <-> error2 Perkiraan 12,122 8,428 371,476 1,015 .019. 143 Perkiraan 0,526-0,468 -6,710 1,819 19,024 -5,243 - 0,004 SE 1,189 .826 36,426 .100 .003 .014 CR 2,139 -2,279 -1,435 2,555 4,643 -3,759 - 0,382 P

******************

Varians: (Group nomor 1 - Model Default)

Label IPK tinggi bobot penilaian error1 error2

Dilihat oleh rasio kritis, Anda melihat bahwa masing-masing tiga hipotesis nol dapat diterima pada tingkat signifikansi konvensional:

?? Dirasakan tarik tidak tergantung pada tinggi (rasio kritis = 0.050). Kemampuan akademik yang dirasakan tidak tergantung pada persepsi daya tarik (kritis

Rasio = -0,039).

Variabel sisa error1 dan error2 tidak berkorelasi (rasio kritis =

-0,382).

Sebenarnya, Anda tidak dapat menggunakan rasio penting untuk menguji ketiga hipotesis sekaligus. Sebaliknya, Anda harus membangun sebuah model yang menggabungkan ketiga kendala bersamaan. Ide ini tidak akan dikejar di sini. Estimasi parameter baku dilaporkan di atas tidak terpengaruh oleh kendala identifikasi (kecuali untuk varians error1 dan error2). Mereka, tentu saja, dipengaruhi oleh unit di mana variabel yang diamati diukur. Sebaliknya, perkiraan standar yang independen dari semua unit pengukuran.

133 Model nonrecursive

Mendapatkan Perkiraan Standar

Sebelum Anda melakukan analisis, lakukan hal berikut:

E Dari menu, pilih View → Analisis Properties. E Dalam Analisis kotak dialog Properties, klik tab Output. E Pilih perkiraan Standar (tanda centang di samping itu). E Tutup kotak dialog.

Standar Regresi Bobot: (nomor 1 Model default Group)

akademik <- menarik <- menarik <- menarik <- menarik <- akademik <- IPK tinggi bobot penilaian akademik menarik Perkiraan 0,492 0,003-0,078 0,363 0,525-0,006

Korelasi: (Group nomor 1 - Model Default)

IPK <-> tinggi <-> IPK <-> IPK <-> tinggi <-> berat <-> error1 <-> Peringkat bobot penilaian tinggi bobot penilaian error2 Perkiraan 0,150-0,160 -. 100 0,180 .340 - 0,270-0,076

Disini dapat dilihat bahwa bobot regresi dan korelasi yang kami temukan sebelumnya secara statistik tidak signifikan juga, berbicara secara deskriptif, kecil.

Mendapatkan Squared Beberapa Korelasi

Kuadrat korelasi ganda, seperti perkiraan standar, independen terhadap unit pengukuran. Untuk mendapatkan beberapa squared korelasi, lakukan langkah berikut sebelum Anda melakukan analisis:

E Dari menu, pilih View → Analisis Properties.

134 Contoh 7

E Pilih Squared beberapa korelasi (tanda centang di samping itu). Squared Beberapa Korelasi: (nomor 1 Model default Group)

menarik Perkiraan akademik 0,402 0,236

Kuadrat beberapa korelasi menunjukkan bahwa kedua variabel endogen dalam model ini tidak diprediksi sangat akurat oleh variabel lain dalam model. Hal ini menunjukkan bahwa uji chi-square fit bukanlah ukuran akurasi prediksi.

Keluaran Graphics

Berikut ini adalah diagram path output menampilkan perkiraan standar dan beberapa squared korelasi:

Chi-square = 2,761 (2 df) p = 0,251 IPK

.18

.49

.24

akademik

error1

tinggi

.34

.52

0 .0

- .01 .40

- .10

.15

- 08

berat

- .27

menarik

error2

penilaian

Contoh 7 Sebuah model nonrecursive Felson dan Bohrnstedt (1979) (subyek Wanita) perkiraan Standar

.3 6

- .16

135 Model nonrecursive

Stability Index

Adanya feedback loop dalam model nonrecursive memungkinkan masalah-masalah tertentu muncul yang tidak dapat terjadi pada model rekursif. Dalam model ini, daya tarik tergantung pada kemampuan akademik yang dirasakan, yang pada gilirannya tergantung pada daya tarik, yang tergantung pada kemampuan akademik yang dirasakan, dan sebagainya. Hal ini tampaknya menjadi sebuah kemunduran yang tak terbatas, dan itu. Kita bertanya-tanya apakah urutan ini tak terbatas dependensi linier benar-benar dapat menghasilkan hubungan yang jelas antara daya tarik, kemampuan akademik, dan variabel lain dari model. Jawabannya adalah bahwa mereka mungkin, dan sekali lagi mereka mungkin tidak. Itu semua tergantung pada bobot regresi. Untuk beberapa nilai bobot regresi, urutan tak terbatas dependensi linear akan berkumpul untuk satu set hubungan yang jelas. Dalam hal ini, sistem linear dependensi disebut stabil, jika tidak, hal itu disebut tidak stabil.

Catatan: Anda tidak bisa mengatakan apakah sistem linear stabil dengan melihat diagram jalur.

Anda perlu tahu bobot regresi. Amos tidak bisa tahu apa bobot regresi dalam populasi, tetapi memperkirakan mereka dan, dari perkiraan, itu menghitung indeks stabilitas (Fox, 1980; Bentler dan Freeman, 1983). Jika indeks stabilitas jatuh antara -1 dan +1, sistem stabil, jika tidak, ia tidak stabil. Dalam contoh ini, sistem stabil.

Indeks Stabilitas untuk variabel-variabel berikut adalah 0,003: menarik akademik

Untuk melihat indeks stabilitas untuk model nonrecursive:

E Klik Catatan untuk grup / Model dalam diagram pohon di sebelah kiri atas Amos

Jendela Output. Sebuah sistem tidak stabil (dengan indeks stabilitas sama atau lebih besar dari 1) adalah mustahil, dalam arti yang sama bahwa, misalnya, varian negatif adalah mustahil. Jika Anda mendapatkan indeks stabilitas 1 (atau lebih besar dari 1), ini berarti bahwa model Anda salah atau bahwa ukuran sampel Anda terlalu kecil untuk memberikan perkiraan yang akurat dari bobot regresi. Jika ada beberapa loop dalam diagram jalur, Amos menghitung indeks stabilitas untuk masing-masing. Jika salah satu dari indeks stabilitas sama atau melebihi 1, sistem linear tidak stabil.

136 Contoh 7

Modeling di VB.NET

Program berikut sesuai dengan model contoh ini. Hal ini disimpan dalam file Ex07.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Fels_fem.sav") Sem.AStructure ("akademik <- - IPK ") Sem.AStructure (" akademik <--- menarik ") Sem.AStructure (" akademik <--- error1 (1) ") Sem.AStructure (" menarik <--- tinggi ") Sem.AStructure ( "menarik <--- berat") Sem.AStructure ("menarik <--- rating") Sem.AStructure ("menarik <--- akademis") Sem.AStructure ("menarik <--- error2 (1)" ) Sem.AStructure ("error2 <-> error1") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Garis AStructure terakhir adalah penting untuk Felson dan Model Bohrnstedt itu. Tanpa itu, Amos akan berasumsi bahwa error1 dan error2 tidak berkorelasi. Anda dapat menentukan model yang sama dalam format persamaan seperti sebagai berikut:

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Fels_fem.sav") Sem.AStructure ("akademik = IPK + menarik + error1 (1) ") Sem.AStructure (" menarik = tinggi + berat + rating + "_ &" akademis + error2 (1) ") Sem.AStructure (" error2 <-> error1 ") Sem.FitModel (

) Akhirnya Sem.Dispose () End Try End Sub

Contoh

8

Analisis Faktor

Pengantar

Contoh ini menunjukkan analisis faktor konfirmatori umum.

Tentang Data

Holzinger dan Swineford (1939) diberikan 26 tes psikologis untuk 301 seventhand siswa kelas delapan di dua sekolah Chicago. Dalam contoh ini, kita menggunakan skor yang diperoleh oleh 73 perempuan dari satu sekolah (sekolah Grant-Putih). Berikut adalah ringkasan dari enam tes yang digunakan dalam contoh ini:

Uji Penjelasan

visperc kubus lozenges ayat kalimat wordmean

Visual Persepsi Nilai tes spasial visualisasi Uji orientasi spasial skor Ayat pemahaman skor Kalimat penyelesaian skor Firman berarti uji

137

138 Contoh 8

File Grnt_fem.sav berisi nilai tes:

Sebuah Faktor Model Umum

Pertimbangkan model berikut untuk enam tes:

visperc batu belah ketupat paragrap kalimat wordmean

1

err_v err_c err_l err_p err_s err_w

spasial

lisan

Contoh 8 Analisis faktor: Girls 'sampel Holzinger dan Swineford (1939) Model Spesifikasi

139 Analisis Faktor

Model ini menegaskan bahwa tiga pertama tes tergantung pada variabel teramati disebut spasial. Spasial dapat diartikan sebagai kemampuan dasar (kemampuan spasial) yang tidak secara langsung diamati. Menurut model, kinerja pada tiga tes tergantung pada kemampuan ini. Selain itu, kinerja pada masing-masing tes ini mungkin tergantung pada sesuatu selain kemampuan spasial juga. Dalam kasus visperc, misalnya, err_v variabel yang unik juga terlibat. Err_v mewakili setiap dan semua pengaruh pada visperc yang tidak ditampilkan di tempat lain dalam diagram jalur. Err_v merupakan kesalahan pengukuran dalam visperc, tentu saja, tapi juga status sosial ekonomi, usia, stamina fisik, kosakata, dan setiap sifat atau kemampuan yang mungkin mempengaruhi nilai pada visperc tapi itu tidak muncul di tempat lain dalam model lainnya. Model yang disajikan di sini adalah model analisis faktor umum. Dalam istilah analisis faktor umum, variabel teramati spasial disebut faktor umum, dan tiga variabel teramati, err_v, err_c, dan err_l, disebut faktor unik. Jalur Diagram menunjukkan faktor lain yang umum, verbal, di mana tiga tes terakhir tergantung. Jalur Diagram juga menunjukkan tiga faktor lebih unik, err_p, err_s, dan err_w. Dua faktor umum, spasial dan verbal, yang boleh berkorelasi. Di sisi lain, faktor-faktor unik yang diasumsikan berkorelasi dengan satu sama lain dan dengan faktor umum. Jalan koefisien terkemuka dari faktor-faktor umum untuk variabel yang diamati kadang-kadang disebut faktor loadings.

Identifikasi

Model ini diidentifikasi kecuali bahwa, seperti biasa, skala pengukuran setiap variabel teramati tak tentu. Skala pengukuran masing-masing variabel teramati dapat ditetapkan sewenang-wenang dengan menetapkan bobot regresi untuk konstan, seperti 1, dalam beberapa persamaan regresi. Diagram jalur sebelumnya menunjukkan bagaimana untuk melakukan hal ini. Dalam diagram jalur, delapan bobot regresi tetap pada 1, yang merupakan salah satu bobot regresi tetap untuk setiap variabel tidak teramati. Kendala-kendala ini cukup untuk membuat model diidentifikasi. Model yang diusulkan adalah model analisis faktor umum yang sangat sederhana, bahwa masing-masing variabel yang diamati tergantung hanya pada satu faktor umum. Dalam aplikasi lain dari analisis faktor umum, variabel yang diamati dapat bergantung pada sejumlah faktor umum pada waktu yang sama. Dalam kasus umum, itu bisa sangat sulit untuk memutuskan apakah sebuah model analisis faktor umum diidentifikasi atau tidak (Davis, 1993; Joreskog, 1969, 1979). Pembahasan identifiability diberikan dalam hal ini dan sebelumnya contoh membuat masalah tampak sederhana daripada yang sebenarnya, memberikan kesan bahwa kurangnya unit alami pengukuran untuk variabel teramati adalah satu-satunya penyebab non-identifikasi. Itu

140 Contoh 8

Memang benar bahwa kurangnya unit pengukuran untuk variabel teramati adalah penyebab yang selalu ada non-identifikasi. Untungnya, ini adalah salah satu yang mudah untuk menyembuhkan, seperti yang kita lakukan berulang-ulang. Tapi jenis lain dari bawah-identifikasi dapat terjadi yang tidak ada obat sederhana. Kondisi identifiability harus ditetapkan secara terpisah untuk masing-masing model. Joreskog dan Sörbom (1984) menunjukkan bagaimana untuk mencapai identifikasi banyak model dengan memberlakukan kendala kesetaraan pada parameter mereka. Dalam kasus model analisis faktor (dan banyak lainnya), mencari tahu apa yang harus dilakukan untuk membuat model yang diidentifikasi memerlukan pemahaman yang cukup mendalam dari model. Jika Anda tidak dapat mengatakan apakah model diidentifikasi, Anda dapat mencoba pas model untuk melihat apakah laporan Amos yang tidak teridentifikasi. Dalam prakteknya, pendekatan empiris ini bekerja cukup baik, meskipun ada keberatan untuk itu pada prinsipnya (McDonald dan Krane, 1979), dan ada pengganti untuk pemahaman yang apriori tentang status identifikasi model. Bollen (1989) membahas penyebab dan perawatan dari berbagai jenis non-identifikasi buku teks-nya sangat baik.

Menentukan Model

Amos menganalisis model langsung dari diagram jalur ditampilkan pada p. 138. Perhatikan bahwa model konseptual dapat dipisahkan menjadi cabang spasial dan verbal. Anda dapat menggunakan kesamaan struktur dari dua cabang untuk mempercepat menggambar model.

Menggambar Model

Setelah Anda telah ditarik cabang pertama:

E Dari menu, pilih Edit → Pilih Semua untuk menyorot seluruh cabang. E Untuk membuat salinan dari seluruh cabang, dari menu, pilih Edit → Duplikat dan tarik

salah satu objek di cabang ke lokasi lain dalam diagram jalur. Pastikan untuk menggambar panah berkepala dua menghubungkan spasial dan verbal. Jika Anda meninggalkan panah berkepala dua, Amos akan menganggap bahwa kedua faktor umum tidak berkorelasi. File input untuk contoh ini adalah Ex08.amw.

141 Analisis Faktor

Hasil Analisis

Berikut adalah hasil unstandardixed analisis. Seperti yang ditunjukkan di sudut kanan atas gambar, model sesuai data yang cukup baik.

Chi-square = 7,853 (df 8) p = 0,448

23,30 1,00 .61 23,87

visperc batu belah ketupat paragrap kalimat wordmean

err_v

11.60

err_c

28,28

1.20 7.32

err_l

2.83

9.68

1.00 1.33

err_p

7.97

err_s

19.93

2.23

err_w

Contoh 8 Analisis faktor: Girls 'sampel Holzinger dan Swineford (1939) unstandardixed perkiraan

Sebagai latihan, Anda mungkin ingin mengkonfirmasi perhitungan derajat kebebasan.

Perhitungan derajat kebebasan: (Model Default)

Jumlah momen sampel yang berbeda: Jumlah parameter yang berbeda yang akan diestimasi: derajat kebebasan (21-13):

21 13 8

Estimasi parameter, baik standar dan unstandardixed, ditunjukkan berikutnya. Seperti yang Anda harapkan, bobot regresi yang positif, seperti korelasi antara kemampuan spasial dan kemampuan verbal.

142 Contoh 8

Regresi Bobot: (Group nomor 1 - Model Default)

visperc <--- kubus spasial <--- lozenges spasial <--- paragrap spasial <--- kalimat lisan <--- wordmean lisan <--- Perkiraan lisan 1,000 .610 1,198 1,000 1,334 2,234 SE .143 .272 .160 .263 CR P Label 4.250 *** 4,405 *** 8,322 *** 8,482 ***

visperc <- kubus <- lozenges <- paragrap <- kalimat <- wordmean <- spasial spasial spasial lisan lisan lisan Perkiraan 7,315 Perkiraan .703 .654 .736 .880 .827 .841 SE 2,571 C.R. P 2,846 .004 Label

Covariances: (Group nomor 1 - Model Default)

spasial <-> lisan

spasial <-> Perkiraan lisan 23,302 9,682 23,873 11,602 28,275 2,834 7,967 19,925 0,487 Perkiraan SE 8,123 2,159 5,986 2,584 7,892 .868 1,869 4,951 CR P 2,868 0,004 4,485 *** 3,988 *** 4,490 *** 3,583 *** 3,263 .001 4,263 *** 4,024 *** Label

Varians: (Group nomor 1 - Model Default)

spasial lisan err_v err_c err_l err_p err_s err_w

Untuk mendapatkan perkiraan standar yang ditunjukkan di atas, lakukan langkah berikut sebelum Anda melakukan analisis:

E Pilih perkiraan Standar (tanda centang di samping itu).

143 Analisis Faktor

E Juga pilih Squared beberapa korelasi jika Anda ingin korelasi berganda kuadrat untuk

setiap variabel endogen, seperti yang ditunjukkan pada grafik berikutnya.

wordmean kalimat paragrap lozenges batu Perkiraan visperc .708 .684 .774 .542 .428 .494

Melihat Perkiraan Standar

E Pada jendela Graphics Amos, klik tombol path output diagram Show. E Pilih perkiraan Standar di panel Format Parameter di kiri jalan

diagram. Berikut adalah diagram jalur dengan perkiraan standar yang ditampilkan:

Chi-square = 7,853 (df 8) p = 0,448 .49

.70

visperc

.43

err_v err_c

.65

kubus

.54

.74 .49 .88

lozenges

.77

err_l err_p err_s err_w

paragrap

.68

.83

kalimat

.71

.84

wordmean

Contoh 8 Analisis faktor: Girls 'sampel Holzinger dan Swineford (1939) memperkirakan Standar

144 Contoh 8

Kuadrat beberapa korelasi dapat diartikan sebagai berikut: Untuk mengambil wordmean sebagai contoh, 71% dari perbedaan yang dicatat oleh kemampuan verbal. Sisanya 29% dari perbedaan yang dicatat oleh faktor err_w unik. Jika err_w diwakili kesalahan pengukuran saja, kita bisa mengatakan bahwa estimasi keandalan wordmean 0.71. Seperti itu, 0,71 adalah perkiraan dari-batas bawah pada keandalan wordmean. The Holzinger dan Swineford data telah dianalisis berulang kali dalam buku teks dan demonstrasi faktor teknik analitik baru. Enam tes yang digunakan dalam contoh ini diambil dari subset yang lebih besar dari sembilan tes yang digunakan dalam contoh serupa oleh Joreskog dan Sörbom (1984). Model analisis faktor yang digunakan di sini juga diadaptasi dari mereka. Mengingat sejarah panjang eksplorasi Holzinger dan Swineford data dalam literatur analisis faktor, itu adalah kebetulan bahwa model ini sangat cocok. Bahkan lebih dari biasanya, hasil yang disajikan di sini memerlukan konfirmasi pada set segar data.

Program berikut menjelaskan faktor model untuk Holzinger dan data Swineford itu. Hal ini disimpan dalam file Ex08.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Grnt_fem.sav") Sem.AStructure ("visperc = (1 ) spasial + (1) err_v ") Sem.AStructure (" kubus = spasial + (1) err_c ") Sem.AStructure (" lozenges = spasial + (1) err_l ") Sem.AStructure (" paragrap = (1) lisan + (1) err_p ") Sem.AStructure (" kalimat = lisan + (1) err_s ") Sem.AStructure (" wordmean = lisan + (1) err_w ") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Anda tidak perlu secara eksplisit memungkinkan faktor (spasial dan lisan) yang akan berkorelasi.

Juga tidak perlu untuk menentukan bahwa faktor-faktor unik yang tidak berkorelasi satu sama lain dan dengan dua faktor. Ini adalah asumsi standar dalam program Amos (tapi tidak di Amos Graphics).

9

Alternatif untuk Analisis Kovarian

Contoh ini menunjukkan alternatif sederhana untuk analisis kovarians yang tidak memerlukan kovariat sempurna handal. A lebih baik, tapi lebih rumit, alternatif akan diperlihatkan dalam Contoh 16.

Analisis Kovarian dan Alternatif Its

Analisis kovarians adalah teknik yang sering digunakan dalam studi eksperimental dan quasi-eksperimental untuk mengurangi pengaruh perbedaan yang sudah ada di antara kelompok perlakuan. Bahkan ketika tugas acak untuk kelompok perlakuan telah menghilangkan kemungkinan perbedaan pretreatment sistematis antara kelompok, analisis kovarians bisa melunasi dalam peningkatan presisi dalam mengevaluasi efek pengobatan. Kegunaan analisis kovarians dikompromikan oleh asumsi bahwa setiap kovariat diukur tanpa kesalahan. Metode ini membuat asumsi lain juga, tapi asumsi kovariat sempurna handal telah menerima perhatian khusus (misalnya, Cook dan Campbell, 1979). Pada bagian, ini karena efek dari melanggar asumsi bisa begitu buruk.

Menggunakan kovariat diandalkan dapat menyebabkan kesimpulan yang salah bahwa pengobatan memiliki efek ketika tidak atau bahwa pengobatan tidak berpengaruh bila itu benar-benar. Kovariat diandalkan bahkan dapat membuat pengobatan terlihat seperti itu tidak membahayakan saat itu sebenarnya menguntungkan. Pada saat yang sama, sayangnya, asumsi kovariat sempurna handal biasanya mustahil untuk bertemu. Contoh ini menunjukkan alternatif untuk analisis kovarians di mana tidak ada variabel harus diukur tanpa kesalahan. Metode yang harus didemonstrasikan

145

146 Contoh 9

di sini telah digunakan oleh Bentler dan Woodward (1979) dan lain-lain. Pendekatan lain, oleh Sörbom (1978), ditunjukkan dalam Contoh 16. Metode Sörbom lebih umum. Hal ini memungkinkan pengujian asumsi lain dari analisis kovarians dan izin santai beberapa dari mereka juga. Pendekatan Sörbom ini relatif rumit karena umum nya. Sebaliknya, metode ditunjukkan dalam contoh ini membuat asumsi biasa analisis kovarians, kecuali asumsi bahwa kovariat diukur tanpa kesalahan. Keutamaan metode ini adalah kesederhanaan komparatifnya. Contoh ini menggunakan dua kelompok pengobatan dan kovariat tunggal. Ini mungkin digeneralisasi ke sejumlah kelompok perlakuan dan sejumlah kovariat. Sörbom (1978) menggunakan data yang akan kita gunakan dalam contoh ini dan Contoh 16. Analisis erat berikut contoh Sörbom itu.

Olsson (1973) diberikan baterai dari delapan tes untuk 213 siswa sebelas tahun pada dua kesempatan. Kami akan mempekerjakan dua dari delapan tes, Sinonim dan Lawan, dalam contoh ini. Antara dua administrasi baterai tes, 108 dari para siswa (kelompok eksperimen) menerima pelatihan yang ditujukan untuk meningkatkan kinerja pada tes. 105 siswa lain (kelompok kontrol) tidak menerima pelatihan khusus. Sebagai akibat dari mengambil dua tes pada dua kesempatan, masing-masing siswa 213 diperoleh empat nilai tes. Seperlima, variabel dikotomi diciptakan untuk menunjukkan keanggotaan dalam kelompok eksperimen atau kontrol. Secara keseluruhan, variabel-variabel berikut yang digunakan dalam contoh ini:

Variabel Penjelasan

pre_syn pre_opp post_syn post_opp pengobatan

Skor pretest pada tes Sinonim. Skor pretest pada tes Lawan. Skor posttest pada tes Sinonim. Skor posttest pada tes Lawan. Sebuah variabel dikotomis mengambil nilai 1 untuk siswa yang menerima pelatihan khusus, dan 0 untuk mereka yang tidak. Variabel ini diciptakan terutama untuk analisis dalam contoh ini.

147 Sebuah Alternatif Analisis Kovarian

Korelasi dan standar deviasi untuk lima langkah yang terkandung dalam Excel UserGuide.xls buku kerja Microsoft, dalam worksheet Olss_all. Berikut adalah dataset:

Ada korelasi positif antara pengobatan dan setiap posttests, yang menunjukkan bahwa siswa terlatih melakukan yang lebih baik pada posttests daripada siswa yang tidak terlatih. Korelasi antara pengobatan dan setiap pretest yang positif tetapi relatif kecil. Hal ini menunjukkan bahwa kelompok kontrol dan eksperimental melakukan sekitar sama baiknya pada pretest. Anda akan mengharapkan ini, karena siswa secara acak ditugaskan untuk kelompok kontrol dan eksperimen.

Analisis Kovarian

Untuk mengevaluasi pengaruh pelatihan terhadap kinerja, satu mungkin mempertimbangkan melakukan analisis kovarians dengan salah satu posttests sebagai variabel kriteria, dan dua pretest sebagai kovariat. Agar analisis yang harus sesuai, baik sinonim pretest dan berlawanan pretest akan harus sempurna handal.

Sebuah model untuk Olsson data

Pertimbangkan model untuk data Olsson ditampilkan dalam diagram jalur berikutnya. Model ini menegaskan bahwa pre_syn dan pre_opp keduanya tindakan tidak sempurna kemampuan teramati disebut pre_verbal yang mungkin dianggap sebagai kemampuan verbal pada saat pretest.

Variabel yang unik eps1 dan eps2 merupakan kesalahan pengukuran dalam pre_syn dan pre_opp, serta segala pengaruh pada dua tes tidak terwakili di tempat lain dalam diagram jalur.

148 Contoh 9

eps1

eps2

eps3

eps4

pre_syn pre_opp

post_syn post_opp

pre_verbal

post_verbal

zeta

pengobatan

Contoh 9: Model A Olsson (1973) uji pembinaan studi Model Spesifikasi

Demikian pula, model menegaskan bahwa post_syn dan post_opp adalah ukuran sempurna dari kemampuan teramati disebut post_verbal, yang mungkin dianggap sebagai kemampuan verbal pada saat posttest. Eps3 dan eps4 merupakan kesalahan pengukuran dan sumber variasi tidak diperlihatkan di tempat lain dalam diagram jalur. Model ini menunjukkan dua variabel yang mungkin berguna dalam akuntansi untuk kemampuan verbal pada saat posttest. Salah satu prediktor tersebut adalah kemampuan verbal pada saat pretest. Ini tidak akan mengejutkan untuk menemukan bahwa kemampuan verbal pada saat posttest tergantung pada kemampuan verbal pada saat pretest. Karena kinerja masa lalu sering merupakan prediktor yang sangat baik dari kinerja masa depan, model menggunakan variabel laten pre_verbal sebagai kovariat.

Namun, minat utama kami terletak pada prediktor kedua, pengobatan. Kami sebagian besar tertarik pada regression weight yang terkait dengan panah yang menunjuk dari pengobatan ke post_verbal, dan apakah itu secara signifikan berbeda dari 0. Dengan kata lain, kita akhirnya akan ingin tahu apakah model yang ditunjukkan di atas dapat diterima sebagai benar di bawah hipotesis tambahan bahwa regression weight tertentu adalah 0. Tapi pertama-tama, kita lebih baik bertanya apakah Model A dapat diterima seperti berdiri.

Unit pengukuran dari tujuh variabel teramati yang tak tentu. Ketidakpastian ini dapat diatasi dengan menemukan satu panah tunggal berkepala menunjuk jauh dari masing-masing variabel teramati pada gambar di atas, dan memperbaiki bobot regresi yang sesuai untuk persatuan (1). Ketujuh 1 yang ditampilkan dalam diagram jalur di atas menunjukkan pilihan yang memuaskan kendala identifikasi.

149 Sebuah Alternatif Analisis Kovarian

Menentukan Model A

Untuk menentukan Model A, menggambar jalur diagram mirip dengan yang di p. 148. Jalur Diagram disimpan sebagai file Ex09-a.amw.

Hasil untuk Model A

Ada bukti empiris yang cukup terhadap Model A:

Chi-square = 33,215 Derajat kebebasan = 3 tingkat Probabilitas = 0,000

Ini adalah berita buruk. Jika kita telah mampu menerima Model A, kita bisa mengambil langkah berikutnya mengulangi analisis dengan berat regresi regresi post_verbal pengobatan tetap pada 0. Tetapi tidak ada gunanya melakukan hal itu sekarang. Kita harus mulai dengan model yang kita yakini benar untuk menggunakannya sebagai dasar untuk pengujian kuat ada pengobatan versi efek model.

Mencari Model Lebih Baik

Mungkin ada beberapa cara untuk memodifikasi Model A sehingga cocok data yang lebih baik. Beberapa saran untuk modifikasi yang sesuai dapat diperoleh dari indeks modifikasi.

Meminta Indeks Modifikasi

E Pilih indeks Modifikasi dan masukkan ambang batas yang sesuai di lapangan di sebelah kanannya. Untuk ini

Misalnya, ambang batas akan tetap pada nilai default dari 4.

150 Contoh 9

Meminta indeks modifikasi dengan ambang 4 menghasilkan output tambahan berikut:

Indeks Modifikasi (Kelompok nomor 1 - Model Default) covariances: (Group nomor 1 - Model Default)

eps2 <-> eps4 eps2 <-> eps3 eps1 <-> eps4 eps1 <-> eps3 MI 13,161 10,813 11,968 9,788 Ubah Par 3,249 -2,822 -3,228 2,798

Menurut indeks modifikasi pertama di MI kolom, statistik chi-square akan menurun setidaknya 13,161 jika variabel unik eps2 dan eps4 yang boleh berkorelasi (penurunan sebenarnya mungkin lebih besar). Pada saat yang sama, tentu saja, jumlah derajat kebebasan akan turun 1 karena parameter tambahan yang harus diperkirakan. Sejak 13,161 adalah indeks modifikasi terbesar, kita harus mempertimbangkan terlebih dahulu dan menanyakan apakah masuk akal untuk berpikir bahwa eps2 dan eps4 mungkin berkorelasi. Eps2 merupakan pre_opp apapun selain mengukur kemampuan verbal pada pretest. Demikian pula, eps4 merupakan post_opp apapun selain mengukur kemampuan verbal pada posttest. Hal ini masuk akal bahwa beberapa sifat yang stabil atau kemampuan lain selain kemampuan verbal diukur pada kedua administrasi dari tes Lawan. Jika demikian, maka Anda akan mengharapkan korelasi positif antara eps2 dan eps4. Bahkan, diharapkan perubahan parameter (nomor dalam Perubahan kolom Par) terkait dengan kovarians antara eps2 dan eps4 adalah positif, yang menunjukkan bahwa kovarians mungkin akan memiliki perkiraan positif jika kovarians tersebut tidak tetap sebesar 0. Mungkin menambahkan bahwa alasan yang sama yang menunjukkan memungkinkan eps2 dan eps4 berkorelasi berlaku hampir sama dengan baik untuk eps1 dan eps3, yang kovarians juga memiliki indeks modifikasi cukup besar. Untuk saat ini, namun, kami akan menambahkan satu parameter untuk Model A: kovarians antara eps2 dan eps4. Kami menyebutnya model baru ini Model B.

Model B untuk Olsson data

Berikut ini adalah diagram jalur untuk Model B. Hal ini dapat diperoleh dengan mengambil diagram jalur untuk Model A dan menambahkan panah berkepala dua menghubungkan eps2 dan eps4. Path Diagram ini disimpan dalam file Ex09-b.amw.

151 Sebuah Alternatif Analisis Kovarian

pre_syn

pre_opp

Contoh 9: Model B Olsson (1973) uji pembinaan studi Model Spesifikasi

Anda mungkin menemukan variabel kesalahan Anda sudah diposisikan di bagian atas diagram jalur, dengan tidak ada ruang untuk menggambar panah berkepala ganda. Untuk memperbaiki masalah:

E Dari menu, pilih Edit → Fit to Page.

Atau, Anda dapat:

E Menggambar panah berkepala dua, dan jika itu adalah di luar batas, klik Resize (halaman dengan

panah) tombol. Amos akan menyusut diagram jalur agar sesuai dalam batas-batas halaman.

Hasil untuk Model B

Membiarkan eps2 dan eps4 menjadi hasil berkorelasi dalam pengurangan dramatis dari statistik chi-square.

Chi-square = 2,684 Derajat kebebasan = 2 tingkat Probabilitas = 0,261

Anda mungkin ingat dari hasil Model A bahwa indeks modifikasi untuk kovarians antara eps1 dan eps3 adalah 9,788. Jelas, membebaskan kovarians bahwa selain kovarians antara eps2 dan eps4 kovarians tidak akan menghasilkan penurunan tambahan dalam statistik chi-square 9,788, karena ini akan menyiratkan statistik chi-kuadrat negatif. Dengan demikian, indeks modifikasi merupakan penurunan minimal dalam

152 Contoh 9

statistik chi-square yang akan terjadi jika sesuai kendala-kendala dan hanya itu-dihapus. Berikut estimasi parameter baku sulit untuk menafsirkan karena mereka akan berbeda jika kendala identifikasi telah berbeda:

<post_verbal --- pre_verbal post_verbal <--- pengobatan pre_syn <--- pre_verbal pre_opp <--- pre_verbal post_syn <--- post_verbal post_opp <--- post_verbal Perkiraan SE .889 .053 3,640 .477 1,000 .881 .053 1,000 .906 .053 CR P 16,900 *** 7,625 *** 16,606 *** 16,948 *** Label Label

pre_verbal <-> pengobatan eps2 <-> eps4 Perkiraan SE CR P .467 .226 2,066 .039 6,797 1,344 5,059 *** P ********************* Label

pre_verbal pengobatan zeta eps1 eps2 eps3 eps4 Perkiraan SE CR 38,491 4,501 8,552 .249 .024 10,296 4,824 1,331 3,625 6,013 1,502 4,004 12,255 1,603 7,646 6,546 1,501 4,360 14,685 1,812 8,102

Seperti yang diharapkan, kovarians antara eps2 dan eps4 positif. Hasil yang paling menarik yang muncul bersama dengan estimasi parameter adalah rasio penting untuk efek pengobatan terhadap post_verbal. Ini rasio kritis menunjukkan bahwa perlakuan memiliki efek yang sangat signifikan terhadap post_verbal. Kami akan segera mendapatkan tes yang lebih baik tentang pentingnya efek ini dengan memodifikasi Model B sehingga berat regresi ini tetap pada 0. Sementara itu, di sini adalah perkiraan standar dan beberapa korelasi kuadrat sesuai dengan yang ditampilkan oleh Amos Graphics:

153 Sebuah Alternatif Analisis Kovarian

.51

.86

.93

pre_opp

.84 .86

.93 .88 .84

post_verbal

.

28

zeta

.15

pengobatan

Contoh 9: Model B Olsson (1973) pembinaan uji studi perkiraan Standar

Dalam contoh ini, kita terutama berkaitan dengan pengujian hipotesis tertentu dan tidak begitu banyak dengan estimasi parameter. Namun, bahkan ketika parameter memperkirakan sendiri bukan dari kepentingan utama, itu adalah ide yang baik untuk melihat mereka pula untuk melihat apakah mereka masuk akal. Di sini, misalnya, Anda mungkin tidak peduli apa korelasi antara eps2 dan eps4, tetapi Anda akan berharap untuk menjadi positif. Demikian pula, Anda akan terkejut menemukan perkiraan negatif untuk bobot regresi dalam model ini. Dalam model apapun, Anda tahu bahwa variabel tidak dapat memiliki variasi negatif, sehingga perkiraan varians negatif akan selalu perkiraan masuk akal. Jika perkiraan tidak bisa lewat cek kewarasan kotor, terutama dengan sampel yang cukup besar,

Anda harus mempertanyakan kebenaran model di mana mereka diperoleh, tidak peduli seberapa baik model cocok dengan data.

Model C untuk Olsson data

Sekarang kami memiliki model (Model B) bahwa kita cukup bisa percaya adalah benar, mari kita lihat bagaimana tarif jika kita menambahkan kendala yang post_verbal tidak tergantung pada pengobatan. Dengan kata lain, kita akan menguji model baru (menyebutnya Model C) yang hanya seperti Model B kecuali bahwa Model C menetapkan bahwa post_verbal memiliki berat regresi 0 pada pengobatan.

154 Contoh 9

Menggambar Diagram Jalur untuk Model C

Untuk menggambar diagram jalur untuk Model C:

E Mulailah dengan diagram jalur untuk Model B. E Klik kanan panah yang menunjuk dari pengobatan ke post_verbal dan pilih Object Properties dari menu pop-up. E Pada kotak dialog Obyek Properties, klik tab Parameter dan jenis 0 dalam berat kotak teks Regresi.

Jalur Diagram untuk Model C disimpan dalam file Ex09-c.amw.

Hasil untuk Model C

Model C harus ditolak pada setiap tingkat signifikansi konvensional.

Chi-square = 55,396 Derajat kebebasan = 3 tingkat Probabilitas = 0,000

Jika Anda menganggap bahwa Model B adalah benar dan bahwa hanya kebenaran Model C diragukan, maka tes yang lebih baik dari Model C dapat diperoleh sebagai berikut: Dalam pergi dari Model B ke Model C, statistik chi-square meningkat sebesar 52,712 (yaitu, 55,396-2,684), sedangkan jumlah derajat kebebasan meningkat sebesar 1 (yaitu, 3 - 2). Jika Model C benar, 52,712 adalah pengamatan pada variabel acak yang memiliki distribusi chi-kuadrat perkiraan dengan satu derajat kebebasan. Kemungkinan seperti variabel acak melebihi 52,712 adalah sangat kecil. Dengan demikian, Model C ditolak demi Model B. Pengobatan memiliki dampak yang signifikan terhadap post_verbal.

Pemasangan Semua Model Sekaligus

Contoh file Ex09-all.amw cocok untuk semua tiga model (A sampai C) dalam analisis tunggal. Prosedur untuk mencocokkan beberapa model dalam analisis tunggal ditunjukkan dalam Contoh 6.

155 Sebuah Alternatif Analisis Kovarian

Modeling di VB.NET

Model A

Program ini cocok Model A. Hal ini disimpan dalam file Ex09-a.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Mods (4) Sem.Standardized () Sem.Smc () Sem.BeginGroup (Sem.AmosDir & "Contoh \ UserGuide.xls", "Olss_all" ) Sem.AStructure ("pre_syn = (1) pre_verbal + (1) eps1") Sem.AStructure ("pre_opp = pre_verbal + (1) eps2") Sem.AStructure ("post_syn = (1) post_verbal + (1) eps3 ") Sem.AStructure (" post_opp = post_verbal + (1) eps4 ") Sem.AStructure (" post_verbal = pre_verbal + pengobatan + (1) zeta ") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Model B

Program ini cocok Model B. Hal ini disimpan dalam file Ex09-b.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.BeginGroup (Sem.AmosDir & "Contoh \ UserGuide.xls", "Olss_all") Sem.AStructure (" pre_syn = (1) pre_verbal + (1) eps1 ") Sem.AStructure (" pre_opp = pre_verbal + (1) eps2 ") Sem.AStructure (" post_syn = (1) post_verbal + (1) eps3 ") Sem.AStructure ( "post_opp = post_verbal + (1) eps4") Sem.AStructure ("post_verbal = pre_verbal + pengobatan + (1) zeta") Sem.AStructure ("eps2 <---> eps4") Sem.FitModel () Akhirnya Sem. Buang () End Try End Sub

156 Contoh 9

Model C

Program ini cocok Model C. Hal ini disimpan dalam file Ex09-c.vb.

") Sem.AStructure (" post_opp = post_verbal + (1) eps4 ") Sem.AStructure (" post_verbal = pre_verbal + (0) pengobatan + (1) zeta ") Sem.AStructure (" eps2 <---> eps4 " ) Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

157 Sebuah Alternatif Analisis Kovarian

Fitting Beberapa Model

Program ini (Ex09-all.vb) cocok untuk semua tiga model (A sampai C).

") Sem.AStructure (" post_opp = post_verbal + (1) eps4 ") Sem.AStructure (" post_verbal = pre_verbal + (efek) pengobatan + (1) zeta ") Sem.AStructure (" eps2 <---> eps4 ( cov2_4) ") Sem.Model (" Model_A "," cov2_4 = 0 ") Sem.Model (" Model_B ") Sem.Model (" Model_C "," efek = 0 ") Sem.FitAllModels () Akhirnya Sem.Dispose ( ) End Try End Sub

Contoh

10

Analisis Simultan Beberapa Grup

Pengantar

Contoh ini menunjukkan bagaimana menyesuaikan model untuk dua set data sekaligus. Amos mampu pemodelan data dari beberapa kelompok (atau sampel) secara bersamaan. Fasilitas ini Multigrup memungkinkan untuk banyak tambahan jenis analisis, seperti digambarkan dalam beberapa contoh berikutnya.

Analisis Beberapa Grup

Kita kembali sekali lagi untuk (1983) memori data Attig itu dari kaula muda dan tua, yang digunakan dalam Contoh 1 sampai Contoh 3. Dalam contoh ini, kita akan membandingkan hasil dari dua kelompok untuk melihat seberapa mirip mereka. Namun, kita tidak akan membandingkan kelompok dengan melakukan analisis terpisah untuk

orang tua dan orang muda. Sebaliknya, kami akan melakukan analisis tunggal yang memperkirakan parameter dan tes hipotesis tentang kedua kelompok sekaligus. Metode ini memiliki dua keunggulan dibandingkan melakukan analisis terpisah untuk kelompok muda dan tua. Pertama, ia menyediakan tes untuk signifikansi perbedaan yang ditemukan antara orang-orang muda dan tua. Kedua, jika tidak ada perbedaan antara orang-orang muda dan tua atau jika perbedaan kelompok hanya menyangkut parameter beberapa model, analisis simultan dari kedua kelompok memberikan estimasi parameter yang lebih akurat daripada yang diperoleh dari dua analisis tunggal-kelompok yang terpisah.

159

160 Contoh 10

Tentang Data

Kami akan menggunakan data memori Attig yang baik dari kaula muda dan tua. Berikut ini adalah daftar parsial data subyek tua 'ditemukan dalam worksheet Attg_old terletak di Excel UserGuide.xls buku kerja Microsoft:

Data kaula muda 'berada dalam worksheet Attg_yng. Contoh ini hanya menggunakan langkah-langkah recall1 dan cued1. Data untuk analisis Multigrup dapat diatur dalam berbagai cara. Salah satu pilihan adalah untuk memisahkan data ke dalam file yang berbeda, dengan satu file untuk setiap kelompok (seperti yang telah kita lakukan dalam contoh ini). Kemungkinan kedua adalah untuk menyimpan semua data dalam satu file besar dan termasuk variabel anggota grup.

Kami akan mulai dengan model yang benar-benar sepele (Model A) untuk dua variabel: recall1 dan cued1. Model ini hanya mengatakan bahwa, untuk kaula muda serta mata pelajaran tua, recall1 dan cued1 dua variabel yang memiliki beberapa variasi yang tidak ditentukan dan beberapa kovarians yang tidak ditentukan. Varians dan kovarians yang diperbolehkan menjadi berbeda bagi orang-orang muda dan tua.

161 Analisis Simultan Beberapa Grup

Konvensi untuk Menentukan Perbedaan Grup

Tujuan utama dari analisis Multigrup adalah untuk mengetahui sejauh mana kelompok-kelompok berbeda. Apakah kelompok semua memiliki diagram jalur yang sama dengan nilai parameter yang sama? Apakah kelompok memiliki diagram jalur yang sama tetapi dengan nilai parameter yang berbeda untuk kelompok yang berbeda? Apakah setiap kelompok membutuhkan diagram jalur yang berbeda? Amos Graphics memiliki konvensi berikut untuk menentukan perbedaan kelompok dalam analisis Multigrup:

?? Semua kelompok memiliki diagram jalur yang sama kecuali secara eksplisit dinyatakan sebaliknya. Parameter yang tidak disebutkan namanya diizinkan untuk memiliki nilai yang berbeda pada kelompok yang berbeda.

Dengan demikian, default Multigrup model dalam Amos Graphics menggunakan diagram jalur yang sama untuk semua kelompok tetapi memungkinkan nilai parameter yang berbeda untuk kelompok yang berbeda.

Parameter dalam kelompok yang berbeda dapat dibatasi dengan nilai yang sama dengan memberi mereka

label yang sama. (Ini akan ditunjukkan dalam Model B pada hal. 172.)

Menentukan Model A

E Dari menu, pilih File → New untuk memulai diagram jalur baru. E Dari menu, pilih File → Data File.

Perhatikan bahwa kotak dialog Data File memungkinkan Anda untuk menentukan file data hanya satu kelompok yang disebut Kelompok nomor 1. Kami belum mengatakan bahwa program ini adalah analisis Multigrup.

162 Contoh 10

E Klik Nama File, pilih buku kerja Excel UserGuide.xls yang ada di direktori Contoh Amos, dan klik Open.

E Dalam Pilih kotak dialog Tabel Data, pilih worksheet Attg_yng.

E Klik OK untuk menutup kotak dialog Pilih Tabel Data. E Klik OK untuk menutup kotak dialog File Data. E Dari menu, pilih View → Variabel dalam Dataset. E Drag mengamati variabel recall1 dan cued1 ke diagram.

163 Analisis Simultan Beberapa Grup

E Hubungkan recall1 dan cued1 dengan panah berkepala dua.

E Untuk menambahkan keterangan untuk diagram jalur, dari menu, pilih Diagram → Gambar Caption

kemudian klik diagram jalur di tempat di mana Anda ingin judul untuk muncul.

E Pada kotak dialog Caption Gambar, memasukkan judul yang berisi macro teks \ kelompok dan

\ Format.

164 Contoh 10

E Klik OK untuk menyelesaikan spesifikasi model untuk kelompok muda. E Untuk menambahkan kelompok kedua, dari menu, pilih Analyze → Manage Groups. E Pada kotak dialog Manage Grup, mengubah nama dalam Nama Grup kotak teks dari

Kelompok nomor 1 untuk kaula muda.

E Klik New untuk membuat kelompok kedua. E Mengubah nama dalam Nama grup kotak teks dari Grup nomor 2 dengan subyek tua.

165 Analisis Simultan Beberapa Grup

E Klik Tutup.

Data File kotak dialog menunjukkan bahwa ada dua kelompok berlabel kaula muda dan mata pelajaran tua.

E Untuk menentukan dataset untuk mata pelajaran tua, di kotak dialog Data File, pilih mata pelajaran tua.

E Dalam Pilih kotak dialog Tabel Data, pilih worksheet Attg_old.

166 Contoh 10

E Klik OK.

Teks Keluaran

Model A memiliki nol derajat kebebasan.

Perhitungan derajat kebebasan (Model Default)

Jumlah momen sampel yang berbeda: Jumlah parameter yang berbeda yang akan diestimasi: derajat kebebasan (6 - 6): 6 6 0

Amos dihitung jumlah momen sampel yang berbeda dengan cara ini: The kaula muda memiliki dua varians sampel dan satu kovarians sampel, yang membuat tiga momen sampel. Subyek tua juga memiliki tiga momen sampel, membuat total enam momen sampel. Parameter yang diestimasi adalah saat-saat penduduk, dan ada enam dari mereka juga. Karena ada nol derajat kebebasan, model ini diuji.

Chi-square = 0,000 Derajat kebebasan = 0 tingkat Probabilitas tidak dapat dihitung

167 Analisis Simultan Beberapa Grup

Untuk melihat estimasi parameter bagi orang-orang muda di jendela Output Amos:

E Klik Perkiraan dalam diagram pohon di sebelah kiri atas. E Klik kaula muda di panel Grup di sisi kiri jendela.

Covariances: (kaula muda - Model Default)

recall1 <-> cued1 Perkiraan 3,225 5,787 Perkiraan 4.210 SE 0,944 S.E. 1,311 0,953 CR 3,416 CR 4,416 4,416 P *** P ****** Label

Varians: (kaula muda - Model Default)

Label recall1 cued1

Untuk melihat estimasi parameter untuk mata pelajaran lama:

E Klik subyek tua di panel Grup.

Covariances: (subyek lama - Model Default)

recall1 <-> cued1 Perkiraan 4,887 5,569 6,694 Perkiraan SE 1,252 S.E. 1,261 1,516 CR 3,902 CR 4,416 4,416 P *** P ****** Label

Varians: (subyek lama - Model Default)

Keluaran Graphics

Berikut ini adalah diagram jalur output menunjukkan perkiraan unstandardixed untuk dua kelompok:

5.79 4.21

5.57

6.69

recall1

cued1

3.22

4.89

Contoh 10: Model Analisis Simultan dari beberapa kelompok Attig (1983) kaula muda unstandardixed perkiraan

Contoh 10: Model Analisis Simultan dari beberapa kelompok Attig (1983) subyek berusia perkiraan unstandardixed

Panel di kiri jendela Graphics Amos menyediakan berbagai pilihan tampilan.

168 Contoh 10

Klik baik View Masukan atau tombol Lihat untuk melihat output input atau path output

diagram.

Pilih salah satu kaula muda atau subyek tua di panel Grup. Pilih salah satu perkiraan unstandardixed atau perkiraan Standar di Parameter

Format panel.

Sangat mudah untuk melihat bahwa estimasi parameter yang berbeda untuk kedua kelompok. Tapi apakah perbedaan yang signifikan? Salah satu cara untuk mengetahuinya adalah untuk mengulang analisis, tapi kali ini mengharuskan setiap parameter pada populasi muda sama dengan parameter yang sesuai pada populasi tua. Model yang dihasilkan akan disebut Model B. Untuk Model B, perlu untuk nama setiap parameter, menggunakan nama parameter yang sama pada kelompok tua seperti pada kelompok muda.

E Mulailah dengan mengklik kaula muda di panel Grup di sebelah kiri diagram jalur. E Klik kanan persegi panjang recall1 dalam diagram jalur. E Dari menu pop-up, pilih Object Properties. E Pada kotak dialog Obyek Properties, klik tab Parameter.

169 Analisis Simultan Beberapa Grup

E Dalam kotak teks Variance, masukkan nama untuk varians recall1, misalnya, jenis

var_rec.

E Pilih Semua kelompok (tanda centang akan muncul di samping itu).

Pengaruh tanda centang adalah untuk menetapkan nama var_rec untuk varians dari recall1 pada semua kelompok. Tanpa tanda centang, var_rec akan menjadi nama varians untuk recall1 untuk kelompok muda saja.

E Sedangkan kotak dialog Objek Properties terbuka, klik cued1 dan ketik nama var_cue

untuk varians.

E Klik panah berkepala dua dan ketik nama cov_rc untuk kovarians. Selalu pastikan bahwa Anda memilih Semua kelompok.

Jalur Diagram untuk setiap kelompok sekarang harus terlihat seperti ini:

var_rec var_cue

cov_rc

Contoh 10: Model B struktur kovarians homogen dalam dua kelompok, Attig (1983) data. Model Spesifikasi

170 Contoh 10

Karena batasan yang dikenakan pada Model B, hanya tiga parameter berbeda yang diperkirakan bukan enam. Akibatnya, jumlah derajat kebebasan telah meningkat 0-3.

Jumlah momen sampel yang berbeda: Jumlah parameter yang berbeda yang akan diestimasi: derajat kebebasan (6-3): 6 3 3

Model B diterima pada setiap tingkat signifikansi konvensional.

Chi-square = 4,588 Derajat kebebasan = 3 tingkat Probabilitas = 0,205

Berikut ini adalah parameter memperkirakan diperoleh berdasarkan Model B untuk para kaula muda. (Estimasi parameter untuk mata pelajaran tua adalah sama.)

recall1 <-> cued1 Perkiraan 4,056 5,678 5,452 Perkiraan SE 0,780 S.E. 0,909 0,873 CR 5,202 CR 6,245 6,245 P *** P ****** Label cov_rc Label var_rec var_cue

recall1 cued1

Anda dapat melihat bahwa standard error memperkirakan diperoleh berdasarkan Model B lebih kecil (untuk para kaula muda, 0.780, 0,909, dan 0,873) dari perkiraan yang sesuai diperoleh berdasarkan Model A (0,944, 1,311, dan 0,953). Perkiraan Model B harus lebih disukai daripada yang dari Model A selama Anda percaya bahwa Model B benar.

171 Analisis Simultan Beberapa Grup

Untuk Model B, diagram jalur output adalah sama untuk kedua kelompok.

Chi-square = 4,588 (df 3) p = 0,205 5.68 5.45

4.06

Berikut ini adalah program (Ex10-a.vb) untuk pemasangan Model A:

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.BeginGroup (Sem.AmosDir & "Contoh \ UserGuide.xls", "Attg_yng") Sem.GroupName ("kaula muda") Sem.AStructure ("recall1 ") Sem.AStructure (" cued1 ") Sem.BeginGroup (Sem.AmosDir &" Contoh \ UserGuide.xls ","

Attg_old ") Sem.GroupName (" pelajaran lama ") Sem.AStructure (" recall1 ") Sem.AStructure ("cued1") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

172 Contoh 10

Metode BeginGroup digunakan dua kali dalam dua kelompok ini analisis. Baris pertama BeginGroup menentukan dataset Attg_yng. Tiga garis yang mengikuti menyediakan nama dan model untuk kelompok tersebut. Garis BeginGroup kedua menentukan dataset Attg_old, dan tiga baris berikut menyediakan nama dan model untuk kelompok tersebut. Model untuk setiap kelompok hanya mengatakan bahwa recall1 dan cued1 dua variabel dengan varians tidak dibatasi dan kovarians yang tidak ditentukan. Metode GroupName adalah opsional, tetapi berguna dalam analisis beberapa kelompok karena membantu Amos untuk label output dalam cara yang berarti.

Program berikut untuk Model B disimpan dalam Ex10-b.vb:

Sub Main () Dim Sem Seperti Baru AmosEngine Coba datafile Dim As String = Sem.AmosDir & "Contoh \ UserGuide.xls" Sem.Standardized () Sem.TextOutput () Sem.BeginGroup (datafile, "Attg_yng") Sem.GroupName ( "kaula muda") Sem.AStructure ("recall1 (var_rec)") Sem.AStructure ("cued1 (var_cue)") Sem.AStructure ("recall1 <> cued1 (cov_rc)") Sem.BeginGroup (datafile, "Attg_old" ) Sem.GroupName ("pelajaran lama") Sem.AStructure ("recall1 (var_rec)") Sem.AStructure ("cued1 (var_cue)") Sem.AStructure ("recall1 <> cued1 (cov_rc)") Sem.FitModel ( ) Akhirnya Sem.Dispose () End Try End Sub

Nama-nama parameter var_rec, var_cue, dan cov_rc (dalam tanda kurung) digunakan untuk mengharuskan beberapa parameter memiliki nilai yang sama bagi orang tua untuk orang-orang muda. Menggunakan nama var_rec dua kali membutuhkan recall1 memiliki varians yang sama pada kedua populasi. Demikian pula, dengan menggunakan nama var_cue dua kali membutuhkan cued1 memiliki varians yang sama pada kedua populasi. Menggunakan nama cov_rc dua kali mengharuskan recall1 dan cued1 memiliki kovarians yang sama pada kedua populasi.

173 Analisis Simultan Beberapa Grup

Beberapa Model input

Berikut ini adalah program (Ex10-all.vb) untuk pas baik Model A dan B.1

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.Standardized () Sem.TextOutput () Sem.BeginGroup (Sem.AmosDir & "Contoh \ UserGuide.xls", "Attg_yng") Sem.GroupName ("kaula muda") Sem AStructure ("recall1 (yng_rec)") Sem.AStructure ("cued1 (yng_cue)") Sem.AStructure. ("recall1 <> cued1 (yng_rc)") Sem.BeginGroup (Sem.AmosDir & "Contoh \ UserGuide.xls" , "Attg_old") Sem.GroupName ("pelajaran lama") Sem.AStructure ("recall1 (old_rec)") Sem.AStructure ("cued1 (old_cue)") Sem.AStructure ("recall1 <> cued1 (old_rc)") Sem.Model ("Model A") Sem.Model ("Model B", "yng_rec = old_rec", "yng_cue = old_cue", _ "yng_rc = old_rc") Sem.FitAllModels () Akhirnya Sem.Dispose () End Try End Sub

Laporan Sem.Model akan muncul segera setelah spesifikasi AStructure untuk kelompok terakhir.

Tidak peduli mana pernyataan Model pergi dulu.

1

Dalam Contoh 6 (Ex06-all.vb), beberapa kendala model yang ditulis dalam sebuah string tunggal, di mana kendala individu dipisahkan oleh titik koma. Dalam contoh ini, setiap kendala adalah dalam string sendiri, dan string individu dipisahkan dengan koma. Entah sintaks diterima.

11

Felson dan Bohrnstedt Girls and Boys

Contoh ini menunjukkan bagaimana menyesuaikan model persamaan simultan untuk dua set data sekaligus.

Felson dan Bohrnstedt yang Model

Contoh 7 diuji Felson dan Bohrnstedt (1979) model untuk tarik dirasakan dan kemampuan akademik yang dirasakan dengan menggunakan sampel dari 209 anak perempuan. Di sini, kita mengambil model yang sama dan berusaha untuk menerapkannya secara bersamaan untuk Contoh data 7 dan data dari sampel 207 anak laki-laki lain. Kami akan memeriksa pertanyaan apakah variabel yang diukur terkait satu sama lain dengan

cara yang sama untuk anak laki-laki untuk anak perempuan.

The Felson dan Bohrnstedt (1979) Data untuk anak perempuan yang digambarkan dalam Contoh 7. Berikut ini adalah tabel data anak laki-laki dari SPSS Statistik berkas Fels_mal.sav:

175

176 Contoh 11

Perhatikan bahwa ada delapan variabel dalam anak laki-laki 'file data tetapi hanya tujuh dalam gadis-gadis' file data. Keterampilan variabel tambahan tidak digunakan pada beberapa model contoh ini, sehingga keberadaannya dalam file data diabaikan.

Menentukan Model A untuk Girls and Boys

Pertimbangkan memperluas Felson dan Bohrnstedt model tarik dirasakan dan kemampuan akademik anak laki-laki maupun perempuan. Untuk melakukan ini, kita akan mulai dengan gadis-gadis-satunya spesifikasi model dari Contoh 7 dan memodifikasi untuk mengakomodasi dua kelompok. Jika Anda telah ditarik diagram jalur untuk Contoh 7, Anda dapat menggunakannya sebagai titik awal untuk contoh ini. Tidak ada gambar tambahan yang diperlukan. Estimasi parameter dapat ditampilkan pada diagram jalur untuk hanya satu kelompok pada suatu waktu dalam analisis Multigrup. Hal ini berguna kemudian untuk menampilkan keterangan sosok yang memberitahu kelompok mana mewakili estimasi parameter.

Menentukan Gambar Caption

Untuk membuat keterangan sosok yang menampilkan nama grup, tempatkan \ makro teks kelompok dalam keterangannya.

E Dari menu, pilih Diagram → Gambar Caption. E Klik diagram jalur di tempat di mana Anda ingin judul untuk muncul.

177 Felson and Girls Bohrnstedt dan anak laki-laki

E Pada kotak dialog Caption Gambar, memasukkan judul yang berisi makro teks \ kelompok. Untuk

contoh:

Dalam Contoh 7, di mana hanya ada satu kelompok, nama grup tidak masalah. Menerima nomor grup nama default 1 cukup baik. Sekarang ada dua kelompok untuk melacak, kelompok harus diberikan nama-nama bermakna.

E Dari menu, pilih Analyze → Manage Groups. E Pada kotak dialog Grup Manage, tipe gadis untuk Nama Group.

E Sedangkan kotak dialog Manage Grup terbuka, membuat grup kedua dengan mengklik New. E Type anak laki-laki dalam Nama grup kotak teks.

178 Contoh 11

E Klik Tutup untuk menutup Mengelola Grup kotak dialog. E Dari menu, pilih File → Data File. E Pada kotak dialog Data File, klik dua kali anak perempuan dan pilih file Fels_fem.sav data. E Kemudian, klik dua kali laki-laki dan pilih file Fels_mal.sav data. E Klik OK untuk menutup kotak dialog File Data.

Diagram jalur Anda akan terlihat seperti ini untuk sampel anak laki-laki:

IPK akademik

error1

tinggi berat badan menarik

error2

penilaian

Contoh 11: Model AA nonrecursive, dua kelompok model Felson dan Bohrnstedt (1979) anak

laki-laki 'Data Model Spesifikasi

Perhatikan bahwa, meskipun anak perempuan dan anak laki-laki memiliki diagram jalur yang sama, tidak ada persyaratan bahwa parameter memiliki nilai yang sama dalam dua kelompok. Ini berarti bahwa perkiraan bobot regresi, covariances, dan varians mungkin berbeda untuk anak laki-laki daripada anak perempuan.

179 Felson and Girls Bohrnstedt dan anak laki-laki

Teks Output untuk Model A

Dengan dua kelompok, bukan satu (seperti pada Contoh 7), ada dua kali lebih banyak saat-saat sampel dan dua kali lebih banyak parameter untuk memperkirakan. Oleh karena itu, Anda memiliki dua kali lebih banyak derajat kebebasan karena ada dalam Contoh 7.

Jumlah momen sampel yang berbeda: Jumlah parameter yang berbeda yang akan diestimasi: derajat kebebasan (42 - 38): 42 38 4

Model ini sesuai dengan data dari kedua kelompok cukup baik.

Chi-square = 3,183 Derajat kebebasan = 4 tingkat Probabilitas = 0,528

Kami menerima hipotesis bahwa Felson dan Bohrnstedt model yang benar untuk kedua anak laki-laki dan perempuan. Hal berikutnya untuk melihat adalah estimasi parameter. Kami akan tertarik pada bagaimana gadis-gadis 'perkiraan dibandingkan dengan anak laki-laki' perkiraan. Berikut ini adalah estimasi parameter untuk anak-anak:

Bobot regresi: (girls - Model Default)

akademik <--- IPK menarik <--- ketinggian menarik <--- berat menarik <--- Peringkat menarik <--- akademik akademik <--- menarik Perkiraan SE CR P 0,023 0,004 6,241 *** 0,000 0,010 0,050 0,960-0,002 0,001 -1,321 0,186 0,176 0,027 6,444 *** 1,607 0,350 4,599 *** - .002 0,051-0,039 0,969 CR 2,139 -2,279 -1,435 2,555 4,642 -3,759 - 0,382 P ****************** P 0,032 0,023 0,151 0,011 ******. 702 Label Label Label

Covariances: (girls - Model Default)

IPK <-> ketinggian Peringkat <-> Peringkat IPK <-> berat IPK <-> ketinggian tinggi <-> berat badan <-> Peringkat error1 <-> error2 Perkirakan SE 0,526 0,246-0,468 0,205 -6,710 4,676 1,819 0,712 19,024 4,098 -5,243 1,395-0,004 .010

Varians: (girls - Model Default)

IPK tinggi bobot penilaian error1 error2 Perkirakan SE 12,122 1,189 8,428 .826 371,476 36,427 1,015 .100 .019 .003 .143 .014 CR 10,198 10,198 10,198 10,198 5,747 9,974

180 Contoh 11

Ini estimasi parameter adalah sama seperti pada Contoh 7. Kesalahan standar, rasio kritis, dan nilai-nilai p juga sama. Berikut ini adalah perkiraan unstandardixed untuk anak-anak:

Bobot regresi: (anak laki-laki - Model Default)

CR 0,021 .003 6,927 0,019 0,010 1,967-0,003 .001 -2,484 0,095 0,030 3,150 1,386 0,315 4,398 0,063 0,059 1,071 CR 1,850 .860 -2,268 -1,569 6,521 -2,543 - 0,898 P *** *************** P .064 .390 .023 .117 *** 0,011 0,369 Label P *** 0,049 0,013 .002 *** 0,284 Label Label

Covariances: (anak laki-laki - Model Default)

0,507 0,274 0,198 0,230 -15,645 6,899 -1,508 0,961 42,091 6,455 -4,226 1,662-0,010 0,011

Varians: (anak laki-laki - Model Default)

16,243 1,600 11,572 1,140 588,605 57,996 .936 .092 .015 .002 .164 .016 CR 10,149 10,149 10,149 10,149 7,571 10,149

181 Felson and Girls Bohrnstedt dan anak laki-laki

Keluaran Grafik untuk Model A

Untuk anak perempuan, ini adalah jalan diagram dengan perkiraan unstandardixed ditampilkan:

12.12 .02 1 .02

IPK

1.82 -6,71

akademik

8.43

tinggi

19.02

1.61

0 .0

.00 .14

.00

Contoh 11: Model AA nonrecursive, dua kelompok model Felson dan Bohrnstedt (1979) Data gadis unstandardixed perkiraan

Berikut ini adalah path diagram dengan perkiraan untuk anak-anak:

16.24

.1 8

Contoh 11: Model AA nonrecursive, dua kelompok model Felson dan Bohrnstedt (1979) Data anak laki-laki 'unstandardixed perkiraan

Anda secara visual dapat memeriksa anak perempuan dan anak laki-laki estimasi Model A, mencari perbedaan jenis kelamin. Untuk mengetahui apakah anak perempuan dan anak laki-laki berbeda secara signifikan sehubungan dengan parameter tunggal, Anda bisa memeriksa tabel rasio kritis perbedaan antara semua pasang parameter bebas.

.1 0

.53

371,48

berat

-5.24

menarik

- .47

1.02

-1,51 -15,64

.02

.01

11.57

42.09

1.39

2 .0

.06 .16

- .01

.51

588,61

-4,23

.20

.94

182 Contoh 11

Mendapatkan Rasio Kritis untuk Perbedaan Parameter

E Dari menu, pilih View → Analisis Properties. E Dalam Analisis kotak dialog Properties, klik tab Output. E Pilih rasio Kritis untuk perbedaan.

Dalam contoh ini, namun, kami tidak akan menggunakan rasio penting untuk perbedaan, melainkan, kami akan mengambil pendekatan alternatif untuk mencari perbedaan kelompok.

Model B for Girls and Boys

Misalkan kita terutama tertarik pada bobot regresi, dan kami berhipotesis (Model B) bahwa anak perempuan dan anak laki-laki memiliki bobot regresi yang sama. Dalam model ini, varians dan covariances dari variabel eksogen masih diperbolehkan berbeda

dari satu kelompok ke kelompok lain. Model ini memungkinkan distribusi variabel seperti tinggi dan berat badan untuk menjadi berbeda untuk anak laki-laki daripada anak perempuan sementara yang membutuhkan dependensi linear di antara

183 Felson and Girls Bohrnstedt dan anak laki-laki

variabel menjadi kelompok-invarian. Untuk Model B, Anda perlu membatasi enam bobot regresi dalam setiap kelompok.

E Pertama, menampilkan diagram jalur gadis-gadis 'dengan mengklik gadis di panel Grup di sebelah kiri

path diagram.

E Klik kanan salah satu anak panah tunggal berkepala dan pilih Object Properties dari pop-

up menu.

E Pada kotak dialog Obyek Properties, klik tab Parameter. E Masukkan nama dalam berat kotak teks Regresi. E Pilih Semua kelompok. Sebuah tanda akan muncul di sampingnya. Pengaruh tanda centang untuk

menetapkan nama yang sama ini regression weight pada semua kelompok.

E Menjaga kotak dialog Objek Properties terbuka, klik lagi panah tunggal berkepala dan masukkan nama lain dalam berat kotak teks Regresi.

184 Contoh 11

E Ulangi ini sampai Anda telah menamai semua beban regresi. Selalu pastikan untuk memilih (memberikan tanda centang di sebelah) Semua kelompok.

Setelah Anda telah menamai semua bobot regresi, diagram jalur untuk setiap sampel harus terlihat seperti ini:

p1

p3

p6

p2

berat

p4

Hasil untuk Model B

Model B sesuai dengan data yang sangat baik.

Chi-square = 9,493 Derajat kebebasan = 10 tingkat Probabilitas = 0.486

p5

185 Felson and Girls Bohrnstedt dan anak laki-laki

Membandingkan Model B melawan Model A memberikan tidak signifikan chi-square 9,493-3,183 = 6,310 dengan 10-4 = 6 derajat kebebasan. Dengan asumsi bahwa Model B memang benar, perkiraan Model B yang lebih baik atas Model perkiraan A. Estimasi parameter unstandardixed untuk sampel perempuan adalah:

akademik <- menarik <- menarik <- menarik <- menarik <- akademik <- IPK tinggi bobot penilaian akademik menarik Perkiraan 0,022 0,008-0,003 0,145 1,448 0,018 SE .002 .007 .001 .020 .232 .039 CR 9,475 1,177 -2,453 7,186 6,234 .469 P .032 .023 .151 .011 ****** 0,643 P *********** ******* P *** 0,239 0,014 0,639 ****** Label p1 p3 p4 p5 p6 p2

IPK <-> ketinggian Peringkat <-> Peringkat IPK <-> berat IPK <-> ketinggian tinggi <-> berat

badan <-> Peringkat error1 <-> error2 Perkiraan 0,526-0,468 -6,710 1,819 19,024 -5,243 - 0,004 SE .246 .205 4,676 .712 4,098 1,395 .008 CR 2,139 -2,279 -1,435 2,555 4,642 -3,759 - 0,464 Label

CR 12,122 1,189 10,198 8,428 .826 10,198 371,476 36,427 10,198 1,015 .100 10,198 .018 .003 7,111 .144 .014 10,191 Label

186 Contoh 11

Estimasi parameter unstandardixed untuk anak-anak adalah:

akademik <- menarik <- menarik <- menarik <- menarik <- akademik <- IPK tinggi bobot penilaian akademik menarik Perkiraan SE

CR 0,022 .002 9,475 .008 0,007 1,177-0,003 .001 -2,453 0,145 0,020 7,186 1,448 0,232 6,234 0,018 0,039 0,469 0,064 0,390 0,023 P 0,117 *** 0,011 0,641 P *** 0,239 0,014 0,639 ****** Label p1 p3 p4 p5 p6 p2

Covariances: (anak laki-laki - Model Default)

IPK <-> ketinggian Peringkat <-> Peringkat IPK <-> berat IPK <-> ketinggian tinggi <-> berat badan <-> Peringkat error1 <-> error2 Perkirakan SE CR .507 .274 1,850 .198 .230 .860 -15,645 6,899 -2,268 -1,508 .961 -1,569 42,091 6,455 6,521 -4,226 1,662 -2,543 - 0,004 0,008-0,466 Label

Varians: (anak laki-laki - Model Default)

IPK tinggi bobot penilaian error1 error2 Perkirakan SE CR P 16,243 1.600 10,149 *** 11,572 1.140 10,149 *** 588,605 57,996 10,149 *** 0,936 0,092 10,149 *** 0,016 .002 7,220 *** 0,167 0,016 10,146 *** Label

Sebagai Model B membutuhkan, bobot regresi estimasi untuk anak-anak adalah sama dengan yang untuk anak-anak.

187 Felson and Girls Bohrnstedt dan anak laki-laki

Keluaran Graphics

Output diagram jalur untuk anak-anak adalah:

12.12

IPK

1.82 -6,71

.02

akademik

1

error1

8.43

tinggi

19.02

1.45

1 .0

.02 .14

.00

penilaian

Contoh 11: Model BA nonrecursive, dua kelompok model Felson dan Bohrnstedt (1979) Data gadis unstandardixed perkiraan

Dan output untuk anak-anak adalah:

16.24 .02

.1 5

Contoh 11: Model BA nonrecursive, dua kelompok model Felson dan Bohrnstedt (1979) Data anak laki-laki 'unstandardixed perkiraan

.53

371,48

berat

-5.24

-1.51

menarik

error2

- .47

-15,64

1.02

11.57

42.09

.02 .17

.51

588,61

-4,23

.20

.94

188 Contoh 11

Model Fitting A dan B dalam Analisis Tunggal

Hal ini dimungkinkan untuk menyesuaikan baik Model A dan Model B dalam analisis yang sama. File EX11-ab.amw di direktori Contoh Amos menunjukkan bagaimana untuk melakukan hal ini.

Model C for Girls and Boys

Anda mungkin mempertimbangkan untuk menambahkan kendala tambahan untuk Model B, seperti membutuhkan setiap parameter memiliki nilai yang sama untuk anak laki-laki untuk anak perempuan. Ini akan berarti bahwa seluruh varians / kovarians matriks dari variabel-variabel yang diamati adalah sama untuk anak laki-laki untuk anak perempuan, sementara juga mensyaratkan bahwa Felson dan Bohrnstedt Model benar untuk kedua kelompok. Alih-alih mengikuti kursus ini, sekarang kita akan meninggalkan Felson dan Bohrnstedt Model dan berkonsentrasi pada hipotesis bahwa variabel yang diamati memiliki sama varians / kovarians matriks untuk anak perempuan dan anak laki-laki. Kami akan membangun model (Model C) yang mewujudkan hipotesis ini.

E Mulailah dengan diagram jalur untuk Model A atau Model B dan menghapus (Edit → Erase) setiap

objek di jalur diagram kecuali enam variabel yang diamati. Jalur diagram maka akan terlihat seperti ini:

Setiap pasang persegi panjang perlu dihubungkan dengan panah berkepala dua, dengan total 15 anak panah berkepala ganda.

189 Felson and Girls Bohrnstedt dan anak laki-laki

E Untuk meningkatkan penampilan hasil, dari menu, pilih Edit → Pindah dan menggunakan

mouse untuk mengatur enam persegi panjang dalam satu kolom seperti ini:

Drag pilihan properti dapat digunakan untuk menempatkan persegi panjang dalam alignment vertikal sempurna.

E Dari menu, pilih Edit → sifat Drag. E Dalam Properti kotak dialog Drag, pilih tinggi, lebar, dan X-koordinat. Tanda centang

akan muncul di samping masing-masing.

E Gunakan mouse untuk menyeret sifat ini dari akademik untuk menarik.

Hal ini memberikan menarik sama x berkoordinasi dengan akademik. Dengan kata lain, hal itu sejalan mereka secara vertikal. Hal ini juga membuat menarik ukuran yang sama sebagai akademis jika mereka tidak sudah ukuran yang sama.

E Kemudian tarik dari menarik ke IPK, IPK tinggi, dan sebagainya. Jauhkan ini sampai semua enam

variabel yang berderet vertikal.

190 Contoh 11

E Untuk meratakan jarak antara persegi panjang, dari menu, pilih Edit → Pilih Semua.

E Kemudian pilih Edit → Ruang Vertikal.

Ada tombol khusus untuk menggambar sejumlah besar panah berkepala dua sekaligus. Dengan semua enam variabel masih dipilih dari langkah sebelumnya:

E Dari menu, pilih Tools → Makro → Menggambar covariances.

Amos menarik semua jalur yang mungkin kovarians antara variabel-variabel yang dipilih.

191 Felson and Girls Bohrnstedt dan anak laki-laki

E Label semua varians dan covariances dengan nama yang sesuai, misalnya, label mereka dengan

huruf a sampai u. Pada kotak dialog Obyek Properties, selalu menempatkan tanda centang di sebelah Semua kelompok ketika Anda nama parameter.

E Dari menu, pilih Analyze → Manage Model dan membuat grup kedua untuk

anak laki-laki.

E Pilih File → Data File dan menentukan dataset anak laki-laki (Fels_mal.sav) untuk kelompok ini.

File EX11-c.amw berisi spesifikasi model untuk Model C. Berikut adalah diagram jalur masukan, yang sama untuk kedua kelompok:

sebuah

akademik

b g h l m p q s t u r n o i j k

menarik

c

d

e

f

Contoh 11: Model C Uji varians / kovarians homogenitas Felson dan Bohrnstedt (1979) girls 'Data Model Spesifikasi

Hasil untuk Model C

Model C harus ditolak pada setiap tingkat signifikansi konvensional.

Chi-square = 48,977 Derajat kebebasan = 21 tingkat Probabilitas = 0,001

Hasil ini berarti bahwa Anda tidak perlu membuang waktu mengusulkan model yang memungkinkan ada perbedaan sama sekali antara laki-laki dan perempuan.

192 Contoh 11

Modeling di VB.NET

Model A

Program berikut cocok Model A. disimpan sebagai EX11-a.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Fels_fem.sav") Sem.GroupName ("gadis") Sem.AStructure ("akademik = IPK + + menarik error1 (1) ") Sem.AStructure _ (" menarik = tinggi + berat + rating + akademik + error2 (1) ") Sem.AStructure (" error2 <-> error1 ") Sem.BeginGroup (Sem.AmosDir &" Contoh \ Fels_mal.sav ") Sem.GroupName (" anak laki-laki ") Sem.AStructure (" akademik = IPK + + menarik error1 (1) ") Sem.AStructure _ (" menarik = tinggi + berat + rating + akademik + error2 ( 1) ") Sem.AStructure (" error2 <-> error1 ") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

193 Felson and Girls Bohrnstedt dan anak laki-laki

Model B

Program berikut cocok Model B, di mana label parameter p1 melalui p6 digunakan untuk memaksakan kendala kesetaraan antar kelompok. Program ini disimpan dalam EX11-b.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Fels_fem.sav") Sem.GroupName ("gadis") Sem.AStructure ("akademik = (p1) IPK + (p2) menarik + (1) error1 ") Sem.AStructure (" menarik = "& _" (p3) tinggi + (p4) berat + (p5) rating + (p6) akademik + (1) error2 ") Sem AStructure ("error2 <-> error1"). Sem.BeginGroup (Sem.AmosDir & "Contoh \ Fels_mal.sav") Sem.GroupName ("anak laki-laki") Sem.AStructure ("akademik = (p1) IPK + (p2 ) menarik + (1) error1 ") Sem.AStructure (" menarik = "& _" (p3) tinggi + (p4) berat + (p5) rating + (p6) akademik + (1) error2 ") Sem.AStructure ( "error2 <-> error1") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Model C

Program VB.NET untuk Model C tidak ditampilkan di sini. Hal ini disimpan dalam file EX11-c.vb.

194 Contoh 11

Fitting Beberapa Model

Program berikut cocok baik Model A dan B. Program ini disimpan dalam file EX11-ab.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Fels_fem.sav") Sem.GroupName ("gadis") Sem.AStructure ("akademik = (G1) IPK + (g2) menarik + (1) error1 ") Sem.AStructure (" menarik = "& _" (g3) tinggi + (g4) berat + (G5) rating + (g6) akademik + (1) error2 ") Sem AStructure ("error2 <-> error1"). Sem.BeginGroup (Sem.AmosDir & "Contoh \ Fels_mal.sav") Sem.GroupName ("anak laki-laki") Sem.AStructure ("akademik = (b1) IPK + (b2 ) menarik + (1) error1 ") Sem.AStructure (" menarik = "& _" (b3) tinggi + (b4) berat + (b5) rating + (b6) akademik + (1) error2 ") Sem.AStructure ( "error2 <-> error1") Sem.Model ("Model_A") Sem.Model ("Model_B", _ "g1 = b1", "g2 = b2", "g3 = b3", "g4 = b4",

"G5 = b5", "g6 = b6") Sem.FitAllModels () Akhirnya Sem.Dispose () End Try End Sub

Contoh

12

Simultan Analisis Faktor untuk Beberapa Grup

Pengantar

Contoh ini menunjukkan bagaimana untuk menguji apakah model analisis faktor yang sama berlaku untuk masing-masing beberapa populasi, mungkin dengan nilai parameter yang berbeda untuk populasi yang berbeda (Joreskog, 1971).

Tentang Data

Kami akan menggunakan (1939) Data Holzinger dan Swineford dijelaskan dalam Contoh 8. Kali ini, bagaimanapun, data dari 72 anak laki-laki dalam sampel Grant-Putih akan dianalisis bersama dengan data dari 73 anak perempuan dipelajari dalam Contoh 8. Data Gadis-gadis 'berada di Grnt_fem.sav berkas dan dijelaskan dalam Contoh 8. Berikut ini adalah contoh datanya anak laki-laki 'di file, Grnt_mal.sav:

195

196 Contoh 12

Sebuah model untuk Holzinger dan Swineford Boys and Girls

Pertimbangkan hipotesis bahwa model analisis faktor umum dari Contoh 8 berlaku untuk anak laki-laki maupun bagi perempuan. Jalur Diagram dari Contoh 8 dapat digunakan sebagai titik awal untuk dua kelompok model. Secara default, Amos Graphics mengasumsikan bahwa kedua kelompok memiliki diagram jalur yang sama, sehingga diagram jalur tidak harus ditarik untuk kedua kalinya untuk kelompok kedua. Pada Contoh 8, di mana hanya ada satu kelompok, nama kelompok tidak masalah. Menerima nomor grup nama default 1 cukup baik. Sekarang ada dua kelompok untuk melacak, kelompok harus diberikan nama-nama bermakna.

Penamaan Grup

E Dari menu, pilih Analyze → Manage Groups. E Pada kotak dialog Grup Manage, jenis Girls untuk Nama Group.

197 Simultan Analisis Faktor untuk Beberapa Grup

E Sedangkan kotak dialog Manage Grup terbuka, membuat grup lain dengan mengklik New. E Kemudian, jenis anak laki-laki dalam Nama grup kotak teks.

E Klik Tutup untuk menutup Mengelola Grup kotak dialog.

Menentukan Data

E Dari menu, pilih File → Data File. E Pada kotak dialog Data File, klik dua kali Perempuan dan menentukan file grnt_fem.sav data. E Kemudian klik ganda-Boys dan menentukan file grnt_mal.sav data. E Klik OK untuk menutup kotak dialog File Data.

198 Contoh 12

Diagram jalur Anda akan terlihat seperti ini untuk sampel anak perempuan:

visperc batu belah ketupat paragrap kalimat wordmean

err_v err_c err_l err_p err_s err_w

spasial

lisan

Contoh 12: Model Analisis Faktor: Girls 'sampel Holzinger dan Swineford (1939) Model Spesifikasi

Diagram jalur anak laki-laki identik. Catatan, bagaimanapun, bahwa estimasi parameter yang diizinkan untuk berbeda untuk kedua kelompok.

Hasil untuk Model A

Teks Keluaran

Dalam perhitungan derajat kebebasan untuk model ini, semua nomor dari Contoh 8 yang persis dua kali lipat.

Perhitungan derajat kebebasan: (Model Default)

Jumlah momen sampel yang berbeda: Jumlah parameter yang berbeda yang akan diestimasi: derajat kebebasan (42 - 26):

42 26 16

199 Simultan Analisis Faktor untuk Beberapa Grup

Model A diterima pada setiap tingkat signifikansi konvensional. Jika Model A telah ditolak, kami akan harus membuat perubahan dalam diagram jalur untuk setidaknya satu dari dua kelompok.

Chi-square = 16.480 Derajat kebebasan = 16 tingkat Probabilitas = 0.420

Berikut adalah parameter (unstandardixed) memperkirakan untuk 73 anak perempuan. Mereka adalah perkiraan yang sama yang diperoleh dalam Contoh 8 di mana gadis-gadis saja dipelajari.

Chi-square = 16,480 (16 df) p = 0,420

23,30 1,00 .61 23,87

err_v err_c

11.60

1.20 7.32

28,28

err_l

2.83

9.68

1.00 1.33

err_p

7.97

err_s

19.93

2.23

err_w

Contoh 12: Model Analisis Faktor: Girls 'sampel Holzinger dan Swineford (1939) memperkirakan unstandardixed

200 Contoh 12

Output yang sesuai diagram jalur untuk 72 anak laki-laki adalah:

16,06 1,00 .45

31.57

err_v

15.69

err_c

36.53

1.51 6.84

2.36

6.90

1.00 1.28

6.04

19.70

2.29

Contoh 12: Model Analisis Faktor: Boys 'sampel Holzinger dan Swineford (1939) memperkirakan unstandardixed

Perhatikan bahwa bobot regresi perkiraan bervariasi sedikit di seluruh kelompok. Tampaknya masuk akal bahwa dua populasi memiliki bobot regresi yang sama-hipotesis yang akan kita uji dalam Model B.

Model B untuk Holzinger dan Swineford Boys and Girls

Kami sekarang menerima hipotesis bahwa anak laki-laki dan perempuan memiliki diagram jalur yang sama.

Langkah berikutnya adalah untuk menanyakan apakah anak laki-laki dan perempuan memiliki nilai parameter yang sama. Model berikutnya (Model B) tidak pergi sejauh mengharuskan setiap parameter untuk populasi anak laki-laki sama dengan parameter yang sesuai untuk anak perempuan. Ini tidak mengharuskan pola faktor (yaitu, bobot regresi) sama untuk kedua kelompok. Model B masih memungkinkan varians yang unik yang berbeda untuk anak laki-laki dan perempuan. Varians faktor umum dan covariances juga mungkin berbeda di seluruh kelompok.

E Ambil Model A sebagai titik awal untuk Model B. E Pertama, menampilkan diagram jalur gadis-gadis 'dengan mengklik Gadis di panel Grup di sebelah kiri

path diagram.

201 Simultan Analisis Faktor untuk Beberapa Grup

E kanan klik panah yang menunjuk dari spasial untuk kubus dan pilih Properties Object

dari menu pop-up.

E Pada kotak dialog Obyek Properties, klik tab Parameter. E Type cube_s dalam berat kotak teks Regresi. E Pilih Semua kelompok. Sebuah tanda akan muncul di sampingnya. Pengaruh tanda centang untuk

menetapkan nama yang sama ini regression weight pada kedua kelompok.

E Meninggalkan kotak dialog Objek Properties terbuka, klik masing-masing dari sisa-tunggal

panah menuju pada gilirannya, setiap kali mengetik nama dalam kotak teks Regresi berat. Lakukan ini sampai Anda telah menamai semua beban regresi. Selalu pastikan untuk memilih (memberikan tanda centang di sebelah) Semua kelompok. (Setiap bobot regresi yang sudah ditetapkan pada 1 sebaiknya ditinggalkan saja.)

202 Contoh 12

Jalur Diagram untuk salah satu dari dua sampel sekarang harus terlihat seperti ini:

1 cube_s

lozn_s

1 sent_v

word_v

Hasil untuk Model B

Karena kendala tambahan dalam Model B, empat parameter sedikit harus diperkirakan dari data, meningkatkan jumlah derajat kebebasan dengan 4.

Jumlah momen sampel yang berbeda: Jumlah parameter yang berbeda yang akan diestimasi: derajat kebebasan (42-20):

42 22 20

The fit chi-square statistik diterima.

Chi-square = 18,292 Derajat kebebasan = 20 tingkat Probabilitas = 0.568

Perbedaan chi-square antara Model A dan B, 18,292-16,480 = 1,812, tidak signifikan pada setiap tingkat konvensional, baik. Dengan demikian, Model B, yang menentukan pola faktor kelompok-invariant, didukung oleh Holzinger dan Swineford data.

203 Simultan Analisis Faktor untuk Beberapa Grup

Berikut adalah estimasi parameter untuk 73 anak perempuan:

Chi-square = 18,292 (20 df) p = 0,568

1.00 22.00 .56

25.08

12.38

25.24

1,33 7,22 1,00 9,72 1,31

8.12

19.55

2.26

Contoh 12: Model B Analisis faktor: Girls 'sampel Holzinger dan Swineford (1939) memperkirakan unstandardixed

204 Contoh 12

Berikut adalah estimasi parameter untuk 72 anak laki-laki:

1.00 16.18 .56

31.56

15.25

40.97

1,33 7,00 1,00 6,87 1,31

5.95

19.94

Contoh 12: Model B Analisis faktor: Boys 'sampel Holzinger dan Swineford (1939) memperkirakan unstandardixed

Tidak mengherankan, B estimasi parameter model yang berbeda dari model estimasi A. Tabel berikut menunjukkan perkiraan dan kesalahan standar untuk dua model berdampingan:

Parameter Girls 'sampel Model A Perkiraan Standar Kesalahan Model B Perkiraan Standard Error

g: kubus <--- spasial g: lozenges <--- g spasial: kalimat <--- lisan g: wordmean <--- lisan g: spasial <---> lisan g: var (spasial) g: var (verbal) g: var (err_v) g: var (err_c) g: var (err_l) g: var (err_p) g: var (err_s) g: var (err_w)

0,610 1,198 1,334 2,234 7,315 23,302 9,682 23,873 11,602 28,275 2,834 7,967 19,925

0,143 0,272 0,160 0,263 2,571 8,124 2,159 5,986 2,584 7,892 0,869 1,869 4,951

0,557 1,327 1,305 2,260 7,225 22,001 9,723 25,082 12,382 25,244 2,835 8,115 19,550

0,114 0,248 0,117 0,200 2,458 7,078 2,025 5,832 2,481 8,040 0,834 1,816 4,837

205 Simultan Analisis Faktor untuk Beberapa Grup

Sampel Boys '

Memperkirakan

Standard Error

b: kubus <--- spasial b: lozenges <--- b spasial: kalimat <--- lisan b: wordmean <--- lisan b: spasial <---> lisan b: var (spasial) b: var (verbal) b: var (err_v) b: var (err_c) b: var (err_l) b: var (err_p) b: var (err_s) b: var (err_w)

0,450 1,510 1,275 2,294 6,840 16,058 6,904 31,571 15,693 36,526 2,364 6,035 19,697

0,176 0,461 0,171 0,308 2,370 7,516 1,622 6,982 2,904 11,532 0,726 1,433 4,658

0,557 1,327 1,305 2,260 6,992 16,183 6,869 31,563 15,245 40,974 2,363 5,954 19,937

0,114 0,248 0,117 0,200 2,090 5,886 1,465 6,681 2,934 9,689 0,681 1,398 4,470

Semua kecuali dua dari estimasi kesalahan standar lebih kecil dalam Model B, termasuk untuk parameter tak terbatas. Ini adalah alasan untuk menggunakan Model B untuk estimasi parameter daripada Model A, dengan asumsi, tentu saja, bahwa Model B benar.

206 Contoh 12

Program berikut (EX12-a.vb) cocok Model A untuk anak laki-laki dan perempuan:

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Grnt_fem.sav") Sem.GroupName ("Girls") Sem AStructure ("visperc = (1) spasial + (1) err_v") Sem.AStructure ("kubus = spasial + (1) err_c") Sem.AStructure. ("lozenges = spasial + (1) err_l") Sem.AStructure ("paragrap = (1) lisan + (1) err_p") Sem.AStructure ("kalimat = lisan + (1) err_s") Sem.AStructure ("wordmean = lisan + (1) err_w") Sem.BeginGroup (Sem . AmosDir & "Contoh \ Grnt_mal.sav") Sem.GroupName ("Boys") Sem.AStructure ("visperc = (1) spasial + (1) err_v") Sem.AStructure ("kubus = spasial + (1) err_c ") Sem.AStructure (" lozenges = spasial + (1) err_l ") Sem.AStructure (" paragrap = (1) lisan + (1) err_p ") Sem.AStructure (" kalimat = lisan + (1) err_s ") Sem.AStructure ("wordmean = lisan + (1) err_w") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Model yang sama ditetapkan untuk anak laki-laki untuk anak perempuan. Namun, anak laki-laki 'nilai parameter dapat berbeda dari gadis-gadis yang sesuai' parameter.

207 Analisis Faktor Simultan untuk Beberapa Grup

Berikut ini adalah program untuk pemasangan Model B, di mana beberapa parameter bernama identik sehingga mereka terkendala harus sama. Program ini disimpan sebagai EX12-b.vb.

AStructure ("visperc = (1) spasial + (1) err_v") Sem.AStructure ("kubus = (cube_s) spasial + (1) err_c") Sem.AStructure ("lozenges = (lozn_s) spasial + (1). err_l ") Sem.AStructure (" paragrap = (1) lisan + (1) err_p ") Sem.AStructure (" kalimat = (sent_v) lisan + (1) err_s ") Sem.AStructure (" wordmean = (word_v) lisan + (1) err_w ") Sem.BeginGroup (Sem.AmosDir &" Contoh \ Grnt_mal.sav ") Sem.GroupName (" Boys ") Sem.AStructure (" visperc = (1) spasial + (1) err_v ") Sem AStructure ("kubus = (cube_s) spasial + (1) err_c") Sem.AStructure. ("lozenges = (lozn_s) spasial + (1) err_l") Sem.AStructure ("paragrap = (1) lisan + (1) err_p ") Sem.AStructure (" kalimat = (sent_v) lisan + (1) err_s ") Sem.AStructure (" wordmean = (word_v) lisan + (1) err_w ") Sem.FitModel () Akhirnya Sem.Dispose () Akhir Coba End Sub

13

Memperkirakan dan Pengujian Hipotesis tentang Means

Contoh ini menunjukkan bagaimana untuk memperkirakan cara dan bagaimana untuk menguji hipotesis tentang cara. Dalam sampel besar, metode menunjukkan setara dengan analisis multivariat varians.

Sarana dan Modeling Intercept

Amos dan program-program serupa biasanya digunakan untuk memperkirakan varians, covariances, dan bobot regresi, dan untuk menguji hipotesis tentang parameter tersebut. Sarana dan penyadapan biasanya tidak diperkirakan, dan hipotesis tentang sarana dan penyadapan biasanya tidak diuji. Setidaknya sebagian, sarana dan penyadapan telah ditinggalkan pemodelan persamaan struktural karena kesulitan relatif menentukan model yang mencakup parameter tersebut. Amos, bagaimanapun, dirancang untuk membuat sarana dan mencegat pemodelan mudah. Contoh ini adalah yang pertama dari beberapa menunjukkan bagaimana memperkirakan sarana dan penyadapan dan uji hipotesis tentang mereka. Dalam contoh ini, parameter model hanya terdiri dari varians, covariances, dan sarana. Contoh Kemudian memperkenalkan bobot regresi dan penyadapan dalam persamaan regresi.

209

210 Contoh 13

Untuk contoh ini, kita akan menggunakan (1983) memori data Attig, yang digambarkan dalam Contoh 1. Kami akan menggunakan data dari kedua kaula muda dan tua. Data mentah untuk dua kelompok yang terkandung dalam Excel UserGuide.xls buku kerja Microsoft, dalam lembar kerja Attg_yng dan Attg_old. Dalam contoh ini, kita akan menggunakan hanya tindakan recall1 dan cued1.

Model A untuk Subjek Muda dan Tua

Dalam analisis Model B Contoh 10, kami menyimpulkan bahwa recall1 dan cued1 memiliki varians yang sama dan kovarians bagi orang-orang baik tua dan muda. Setidaknya, bukti terhadap hipotesis yang ditemukan tidak signifikan. Model A dalam contoh ini ulangan analisis pada Contoh 10 Model B dengan menambahkan twist. Kali ini, sarana dua variabel recall1 dan cued1 juga akan diperkirakan.

Berarti Struktur Modeling di Amos Graphics

Dalam Amos Grafis, estimasi dan pengujian hipotesis melalui cara-cara tidak terlalu berbeda dari analisis varians dan struktur kovarians. Ambil Model B Contoh 10 sebagai titik awal. Kaula muda dan tua memiliki diagram jalur yang sama:

var_rec var_cue

recall1

cued1

cov_rc

Nama-nama parameter yang sama yang digunakan pada kedua kelompok, yang memiliki efek yang membutuhkan estimasi parameter harus sama pada kedua kelompok.

Sarana dan penyadapan tidak muncul dalam Contoh 10. Untuk memperkenalkan sarana dan penyadapan ke dalam model:

E Dari menu, pilih View → Analisis Properties. E Dalam Analisis kotak dialog Properties, klik tab Estimasi.

211 Memperkirakan dan Pengujian Hipotesis tentang Means

E Pilih Perkirakan sarana dan penyadapan.

Sekarang diagram jalur terlihat seperti ini (diagram jalur yang sama untuk setiap kelompok):

, Var_rec, var_cue

Jalur Diagram sekarang menunjukkan rata-rata, pasangan varians parameter untuk setiap variabel eksogen. Tidak ada variabel endogen dalam model ini dan karenanya tidak ada penyadapan. Untuk setiap variabel dalam diagram jalur, ada koma diikuti dengan nama varians. Hanya ada ruang kosong sebelum setiap koma karena sarana dalam model belum bernama. Bila Anda memilih Hitung Perkiraan dari menu Analyze, Amos akan memperkirakan dua cara, dua varians, dan kovarians untuk setiap kelompok. Varians dan kovarians akan dibatasi harus sama di seluruh kelompok, sedangkan sarana akan dibatasi.

212 Contoh 13

Perilaku Amos perubahan Grafis dalam beberapa cara bila Anda memilih (memberikan tanda centang di sebelah) Perkiraan sarana dan penyadapan:

?? Berarti dan bidang mencegat muncul pada tab Parameter di Properties Object

kotak dialog.

Kendala dapat diterapkan untuk sarana dan penyadapan serta bobot regresi,

varians, dan covariances.

Dari menu, memilih Analyze → Hitung Perkiraan perkiraan sarana dan

penyadapan-tunduk pada batasan, jika ada.

Anda harus memberikan contoh berarti jika Anda memberikan contoh covariances sebagai masukan.

Bila Anda tidak memberikan tanda centang di sebelah Perkiraan sarana dan penyadapan:

Hanya kolom untuk varians, covariances, dan bobot regresi yang ditampilkan pada tab Parameter di kotak dialog Object Properties. Kendala dapat ditempatkan hanya

pada parameter tersebut.

Ketika Perkiraan Hitung dipilih, Amos memperkirakan varians, covariances, dan

bobot regresi, tetapi tidak berarti atau penyadapan.

Anda dapat memberikan contoh covariances sebagai masukan tanpa memberikan sampel berarti. Jika

Anda memberikan contoh cara, mereka diabaikan.

Jika Anda menghilangkan tanda centang di sebelah Perkiraan sarana dan penyadapan setelah sarana

Model telah dipasang, diagram jalur output akan terus menunjukkan cara dan penyadapan. Untuk menampilkan output diagram jalur yang benar tanpa sarana atau penyadapan, menghitung ulang model memperkirakan setelah menghilangkan tanda centang di sebelah Perkiraan sarana dan penyadapan. Dengan aturan ini, Perkiraan mean dan penyadapan centang kotak membuat estimasi dan pengujian sarana model semudah pemodelan jalur tradisional.

Jumlah derajat kebebasan untuk model ini adalah sama seperti pada Contoh 10, Model B, tapi kami tiba di dalam cara yang berbeda. Kali ini, jumlah momen sampel yang berbeda termasuk sampel berarti serta varians sampel dan covariances. Dalam sampel muda, ada dua varians, kovarians satu, dan dua cara, untuk total lima momen

sampel. Demikian pula, ada lima momen sampel di lama

213 Memperkirakan dan Pengujian Hipotesis tentang Means

sampel. Jadi, mengambil kedua sampel bersama-sama, ada 10 momen sampel. Adapun parameter yang akan diestimasi, ada tujuh dari mereka, yaitu var_rec (varians dari recall1), var_cue (varians dari cued1), cov_rc (kovarians antara recall1 dan cued1), sarana recall1 di kalangan anak muda dan tua (2), dan sarana cued1 di kalangan anak muda dan tua (2). Jumlah derajat kebebasan sehingga berhasil menjadi:

Perhitungan derajat kebebasan (Model Default)

Jumlah momen sampel yang berbeda: Jumlah parameter yang berbeda yang akan diestimasi: derajat kebebasan (10-7): 10 7 3

Statistik chi-square di sini juga sama seperti pada Model B dari Contoh 10. Hipotesis bahwa orang tua dan orang muda berbagi varians dan kovarians yang sama akan diterima pada setiap tingkat signifikansi konvensional.

Chi-square = 4,588 Derajat kebebasan = 3 tingkat Probabilitas = 0,205

Berikut adalah estimasi parameter untuk 40 kaula muda:

Berarti: (kaula muda - Model Default)

recall1 cued1 Perkiraan S.E. CR P 10.250 0,382 26,862 *** 0,374 11.700 31,292 *** Perkiraan SE C.R. P 4,056 0,780 5,202 *** Label

Covariances: (kaula muda - Model Default)

recall1 <-> cued1 Label cov_rc Label var_rec var_cue

Varians: (kaula muda - Model Default)

C.R. P 5,678 0,909 6,245 *** 5,452 0,873 6,245 ***

Berikut adalah perkiraan untuk mata pelajaran berusia 40:

Berarti: (subyek lama - Model Default)

CR P 8,675 0,382 22,735 *** 9,575 0,374 25,609 *** Perkiraan SE Covariances: (subyek lama - Model Default)

Varians: (subyek lama - Model Default)

214 Contoh 13

Kecuali untuk sarana, perkiraan ini sama dengan yang diperoleh pada Contoh 10, Model B. Perkiraan kesalahan standar dan rasio kritis juga sama. Hal ini menunjukkan bahwa hanya memperkirakan berarti, tanpa menempatkan batasan pada mereka, tidak berpengaruh pada estimasi parameter yang tersisa atau kesalahan standar mereka.

Jalur diagram output untuk dua kelompok berikut. Setiap variabel memiliki mean, pasangan varians ditampilkan sebelahnya. Misalnya, untuk kaula muda, variabel recall1 memiliki rata-rata diperkirakan sebesar 10,25 dan varians estimasi 5,68.

10.25, 11.70 5,68, 5,45 8,68, 5,68 9,58, 5,45

4.06

Contoh 13: Model A struktur kovarians homogen Attig (1983) kaula muda unstandardixed perkiraan

Contoh 13: Model A struktur kovarians homogen Attig (1983) subyek berusia unstandardixed perkiraan

Model B untuk Subjek Muda dan Tua

Mulai sekarang, asumsikan Model A adalah benar, dan mempertimbangkan hipotesis yang lebih ketat bahwa sarana recall1 dan cued1 adalah sama untuk kedua kelompok. Untuk membatasi sarana untuk recall1 dan cued1:

E Klik kanan dan pilih recall1 Object Properties dari menu pop-up.

E Pada kotak dialog Obyek Properties, klik tab Parameter.

215 Memperkirakan dan Pengujian Hipotesis tentang Means

E Anda bisa memasukan nilai numerik atau nama dalam kotak teks mean. Untuk saat ini, ketik

Nama mn_rec.

(Sebuah tanda akan muncul di sampingnya. Pengaruh tanda centang untuk

menetapkan nama mn_rec dengan rata-rata dari recall1 di setiap kelompok, yang membutuhkan rata-rata recall1 harus sama untuk semua kelompok.)

E Setelah memberikan nama mn_rec dengan rata-rata dari recall1, ikuti langkah-langkah yang sama untuk memberikan

nama mn_cue dengan rata-rata dari cued1. Jalan diagram untuk kedua kelompok sekarang harus terlihat seperti ini:

mn_rec, var_rec mn_cue, var_cue mn_rec, var_rec mn_cue, var_cue

Contoh 13: Model B berarti Invarian dan (co-) varians Attig (1983) muda subyek Model Spesifikasi

Contoh 13: Model B berarti Invarian dan (co-) varians Attig (1983) lama subyek Model Spesifikasi

Ini diagram jalur disimpan dalam file EX13-b.amw.

216 Contoh 13

Dengan kendala baru pada sarana, Model B memiliki lima derajat kebebasan.

Jumlah momen sampel yang berbeda: Jumlah parameter yang berbeda yang akan diestimasi: derajat kebebasan (10-5): 10 5 5

Model B harus ditolak pada setiap tingkat signifikansi konvensional.

Chi-square = 19,267 Derajat kebebasan = 5 tingkat Probabilitas = 0,002

Perbandingan Model B dengan Model A

Jika Model A adalah benar dan Model B yang salah (yang masuk akal, karena Model A diterima dan Model B ditolak), maka asumsi mean sama harus salah. Sebuah tes yang lebih baik dari hipotesis mean sama dengan asumsi varians yang sama dan covariances dapat diperoleh dengan cara sebagai berikut: Dalam membandingkan Model B dengan Model A, statistik chi-square berbeda dengan 14,679, dengan selisih 2 dalam derajat kebebasan. Karena Model B diperoleh dengan menempatkan kendala tambahan pada Model A, kita dapat mengatakan bahwa, jika Model B benar, maka 14,679 adalah pengamatan pada variabel chi-square dengan dua derajat kebebasan.

Kemungkinan besar ini mendapatkan nilai chi-square adalah 0,001. Oleh karena itu, kami menolak Model B dalam mendukung Model A, menyimpulkan bahwa kedua kelompok memiliki cara berbeda. Perbandingan Model B melawan Model A sedekat Amos bisa datang ke analisis multivariat konvensional varians. Bahkan, uji di Amos setara dengan MANOVA konvensional, kecuali bahwa uji chi-square yang disediakan oleh Amos hanya asimtotik benar. Sebaliknya, MANOVA, untuk contoh ini, menyediakan tes yang tepat.

Beberapa Model input

Hal ini dimungkinkan untuk menyesuaikan baik Model A dan Model B dalam analisis tunggal. File EX13-all.amw menunjukkan bagaimana untuk melakukan hal ini. Salah satu manfaat dari pas kedua model dalam analisis tunggal adalah bahwa Amos akan mengakui bahwa dua model yang bersarang dan akan

217 Memperkirakan dan Pengujian Hipotesis tentang Means

otomatis menghitung perbedaan nilai chi-square serta nilai p untuk pengujian Model B melawan Model A.

Berarti Struktur Modeling di VB.NET

Model A

Berikut ini adalah program (EX13-a.vb) untuk pemasangan Model A. Program ini membuat pembatasan varians dan kovarians yang digunakan dalam Contoh 10, Model B, dan, di samping itu, tempat kendala pada sarana.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.ModelMeansAndIntercepts () Sem.BeginGroup (Sem.AmosDir & "Contoh \ UserGuide.xls", "Attg_yng") Sem.GroupName ("young_subjects") Sem. AStructure ("recall1 (var_rec)") Sem.AStructure ("cued1 (var_cue)") Sem.AStructure ("recall1 <> cued1 (cov_rc)") Sem.Mean ("recall1") Sem.Mean ("cued1") Sem.BeginGroup (Sem.AmosDir & "Contoh \ UserGuide.xls", "Attg_old") Sem.GroupName ("old_subjects") Sem.AStructure ("recall1 (var_rec)") Sem.AStructure ("cued1 (var_cue)") Sem.AStructure ("recall1 <> cued1 (cov_rc)") Sem.Mean ("recall1") Sem.Mean ("cued1") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Metode ModelMeansAndIntercepts digunakan untuk menentukan artinya (variabel eksogen) dan penyadapan (dalam memprediksi variabel endogen) harus diperkirakan sebagai parameter model yang eksplisit. Metode Rata-Rata digunakan dua kali dalam setiap kelompok untuk memperkirakan sarana recall1 dan cued1. Jika metode mean belum digunakan dalam program ini, recall1 dan cued1 akan memiliki cara mereka tetap pada 0. Bila Anda menggunakan metode ModelMeansAndIntercepts dalam program Amos, Amos mengasumsikan bahwa setiap

218 Contoh 13

variabel eksogen memiliki rata-rata 0 kecuali jika Anda menentukan sebaliknya. Anda harus menggunakan metode Model sekali untuk setiap variabel eksogen yang berarti Anda ingin memperkirakan. Sangat mudah untuk lupa bahwa program Amos berperilaku seperti ini ketika Anda menggunakan ModelMeansAndIntercepts.

Catatan: Jika Anda menggunakan metode Sem.ModelMeansAndIntercepts dalam program Amos, maka

metode mean harus dipanggil sekali untuk setiap variabel eksogen yang berarti Anda ingin memperkirakan. Setiap variabel eksogen yang tidak secara eksplisit diperkirakan melalui penggunaan metode mean diasumsikan memiliki rata-rata 0. Hal ini berbeda dari Amos Graphics, di mana menempatkan tanda centang di sebelah Perkiraan

sarana dan penyadapan menyebabkan sarana semua variabel eksogen diperlakukan sebagai parameter bebas kecuali yang berarti bahwa secara eksplisit dibatasi.

Model B

Program berikut (EX13-b.vb) sesuai Model B. Selain membutuhkan varians kelompok-invariant dan covariances, program ini juga memerlukan sarana untuk menjadi sama di seluruh kelompok.

AStructure ("recall1 (var_rec)") Sem.AStructure ("cued1 (var_cue)") Sem.AStructure ("recall1 <> cued1 (cov_rc)") Sem.Mean ("recall1", "mn_rec") Sem.Mean ( "cued1", "mn_cue") Sem.BeginGroup (Sem.AmosDir & "Contoh \ UserGuide.xls", "Attg_old") Sem.GroupName ("old_subjects") Sem.AStructure ("recall1 (var_rec)") Sem.AStructure ("cued1 (var_cue)") Sem.AStructure ("recall1 <> cued1 (cov_rc)") Sem.Mean ("recall1", "mn_rec") Sem.Mean ("cued1", "mn_cue") Sem.FitModel ( ) Akhirnya Sem.Dispose () End Try End Sub

219 Memperkirakan dan Pengujian Hipotesis tentang Means

Fitting Beberapa Model

Kedua model A dan B dapat dipasang oleh program berikut. Hal ini disimpan sebagai EX13-all.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.ModelMeansAndIntercepts () Sem.BeginGroup (Sem.AmosDir & "Contoh \ UserGuide.xls", "Attg_yng") Sem.GroupName ("kaula muda") Sem AStructure ("recall1 (var_rec)") Sem.AStructure ("cued1 (var_cue)") Sem.AStructure. ("recall1 <> cued1 (cov_rc)") Sem.Mean ("recall1", "yng_rec") Sem.Mean ("cued1", "yng_cue") Sem.BeginGroup (Sem.AmosDir & "Contoh \ UserGuide.xls", "Attg_old") Sem.GroupName ("pelajaran lama") Sem.AStructure ("recall1 (var_rec)") Sem AStructure ("cued1 (var_cue)") Sem.AStructure. ("recall1 <> cued1 (cov_rc)") Sem.Mean ("recall1", "old_rec") Sem.Mean ("cued1", "old_cue") Sem. Model ("Model_A", "") Sem.Model ("Model_B", "yng_rec = old_rec", "yng_cue = old_cue") Sem.FitAllModels () Akhirnya Sem.Dispose () End Try End Sub

Contoh

14

Regresi dengan Intercept Eksplisit

Pengantar

Contoh ini menunjukkan bagaimana untuk memperkirakan mencegat dalam analisis regresi biasa.

Asumsi Dibuat oleh Amos

Biasanya, ketika Anda menentukan bahwa beberapa variabel linear tergantung pada beberapa orang lain, Amos mengasumsikan bahwa persamaan linier mengekspresikan ketergantungan mengandung aditif konstan, atau mencegat, tetapi tidak memperkirakan itu. Misalnya, dalam Contoh 4, kita ditentukan variabel kinerja bergantung secara linear pada tiga variabel lain: pengetahuan, nilai, dan kepuasan. Amos diasumsikan bahwa persamaan regresi adalah dalam bentuk seperti berikut: kinerja = a + b 1 × pengetahuan + b 2 × nilai + b 3 × kepuasan + error di mana b 1, b 2, dan 3 b adalah bobot regresi, dan merupakan mencegat. Dalam Contoh 4, bobot regresi b 1 sampai b 3 diperkirakan. Amos tidak memperkirakan pada Contoh 4, dan itu tidak muncul dalam diagram jalur. Namun demikian, b 1, b 2, dan 3 b diperkirakan dengan asumsi bahwa hadir dalam persamaan regresi. Demikian pula, pengetahuan, nilai, dan kepuasan dianggap memiliki sarana, tetapi berarti mereka tidak diperkirakan dan tidak muncul dalam diagram jalur. Anda biasanya akan puas dengan metode ini penanganan sarana dan penyadapan dalam persamaan regresi. Kadang-kadang, bagaimanapun, Anda akan ingin melihat perkiraan intercept atau untuk menguji hipotesis tentang intercept. Untuk itu, Anda akan perlu mengambil langkah-langkah yang ditunjukkan dalam contoh ini.

221

222 Contoh 14

Tentang Data

Kami akan sekali lagi menggunakan data Warren, Putih, dan Fuller (1974), pertama kali digunakan pada Contoh 4. Kami akan menggunakan lembar kerja Excel Warren5v di UserGuide.xls ditemukan di direktori Contoh. Berikut adalah contoh saat (berarti, variasi, dan covariances):

Menentukan Model

Anda dapat menentukan model regresi persis seperti yang Anda lakukan pada Contoh 4. Bahkan, jika Anda telah bekerja melalui Contoh 4, Anda dapat menggunakan jalur diagram sebagai titik awal untuk contoh ini. Hanya satu perubahan yang diperlukan untuk mendapatkan Amos untuk memperkirakan sarana dan mencegat.

E Dari menu, pilih View → Analisis Properties. E Dalam Analisis kotak dialog Properties, klik tab Estimasi. E Pilih Perkirakan sarana dan penyadapan.

Diagram jalur Anda kemudian akan terlihat seperti ini:

223 Regresi dengan Intercept Eksplisit

pengetahuan

0,

nilai

prestasi

1

kesalahan

kepuasan Contoh 14 Prestasi Kerja Manajer Pertanian Regresi dengan intercept eksplisit (Model Spesifikasi)

Perhatikan 0 tali, ditampilkan di atas variabel kesalahan. The 0 di sebelah kiri koma menunjukkan bahwa rata-rata dari variabel kesalahan tetap pada 0, asumsi standar dalam model regresi linier. Tidak adanya sesuatu di sebelah kanan koma pada 0, berarti bahwa varians kesalahan tidak tetap pada konstan dan tidak memiliki nama.

Dengan tanda centang di sebelah Perkiraan sarana dan penyadapan, Amos akan memperkirakan rata-rata untuk masing-masing prediktor, dan intercept untuk persamaan regresi yang memprediksi kinerja.

Hasil Analisis

Teks Keluaran

Analisis ini memberikan hasil yang sama seperti pada Contoh 4 tetapi dengan estimasi eksplisit tiga sarana dan mencegat. Jumlah derajat kebebasan lagi 0, tapi perhitungan derajat kebebasan berjalan sedikit berbeda. Contoh sarana yang diperlukan untuk analisis ini, sehingga jumlah sampel yang berbeda termasuk momen sampel berarti serta varians sampel dan covariances. Ada empat cara sampel, empat varians sampel, dan enam covariances sampel, dengan total 14 momen sampel. Adapun parameter yang akan diestimasi, ada tiga bobot regresi dan intercept. Juga, tiga prediktor memiliki di antara mereka tiga cara, tiga variasi, dan tiga covariances. Akhirnya, ada satu varians kesalahan, untuk total 14 parameter yang akan diestimasi.

224 Contoh 14

Perhitungan derajat kebebasan (Model Default)

Jumlah momen sampel yang berbeda: Jumlah parameter yang berbeda yang akan diestimasi: derajat kebebasan (14-14): 14 14 0

Dengan 0 derajat kebebasan, tidak ada hipotesis yang akan diuji.

Chi-square = 0,000 Derajat kebebasan = 0 tingkat Probabilitas tidak dapat dihitung

Perkiraan untuk bobot regresi, varians, dan covariances adalah sama seperti pada Contoh 4, dan begitu juga perkiraan terkait standar kesalahan, rasio kritis, dan nilai-nilai p.

Regresi Bobot: (Group nomor 1 - Model Default)

kinerja <--- kinerja pengetahuan <--- nilai kinerja <--- kepuasan Perkiraan 2,877 1,380 2,461 Perkiraan - 0,834 0,258 0,145 0,049 Perkiraan CR 81,818 59,891 81,174 -5,951 CR SE 0,054 0,035 0,038 P ********* P *** CR 4,822 4,136 1,274 Label P ****** 0,203 Label

Berarti: (Kelompok nomor 1 - Model Default)

nilai kepuasan pengetahuan S.E. 0,035 0,023 0,030 S.E. 0,140

Intersep: (Group nomor 1 - Model Default)

Kinerja Label

Covariances: (Group nomor 1 - Model Default)

pengetahuan <-> nilai kepuasan <-> pengetahuan kepuasan <-> nilai Perkiraan 0,051 0,120 0,089 0,012 Perkiraan 0,004-0,006 0,028 SE .007 .011 .008 P ************ CR 0,632-0,593 3,276 0,528 0,553 Label P .001 Label

Varians: (Group nomor 1 - Model Default)

pengetahuan nilai error kepuasan S.E. .007 .017 .013 .002 C.R. 6,964 6,964 6,964 6,964

225 Regresi dengan Intercept Eksplisit

Keluaran Graphics

Berikut ini adalah diagram jalur yang menunjukkan perkiraan unstandardixed untuk contoh ini. Mencegat -0.83 muncul tepat di atas kinerja variabel endogen.

1.38, .05

.03 0,00-0,01

.26

2.88, .12 .15

- .83

0, .01 1

2.46, .09

kepuasan

.05

Contoh 14 Prestasi Kerja Manajer Pertanian Regresi dengan intercept eksplisit (perkiraan unstandardixed)

Modeling di VB.NET

Sebagai pengingat, di sini adalah program Amos dari Contoh 4 (versi persamaan):

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.ImpliedMoments () Sem.SampleMoments () Sem.BeginGroup (Sem.AmosDir & "Contoh \ UserGuide.xls" , "Warren5v") Sem.AStructure _ ("performance = pengetahuan + nilai + kepuasan + error (1)") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

226 Contoh 14

Program berikut untuk model Contoh 14 memberikan semua hasil yang sama, ditambah berarti dan mencegat perkiraan. Program ini disimpan sebagai Ex14.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.ImpliedMoments () Sem.SampleMoments () Sem.ModelMeansAndIntercepts () Sem.BeginGroup (_ Sem.AmosDir & " Contoh \ UserGuide.xls "," Warren5v ") Sem.AStructure (_" kinerja = () + pengetahuan + nilai + kepuasan + error (1) ") Sem.Mean (" pengetahuan ") Sem.Mean (" value ") Sem.Mean ("kepuasan") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Perhatikan pernyataan Sem.ModelMeansAndIntercepts yang menyebabkan Amos untuk mengobati sarana dan penyadapan sebagai parameter model yang eksplisit.

Perubahan lain dari Contoh 4 adalah bahwa sekarang ada sepasang tambahan kurung kosong dan tanda plus di garis AStructure. Ekstra sepasang kurung kosong merupakan intersep dalam persamaan regresi. Laporan Sem.Mean meminta perkiraan untuk sarana pengetahuan, nilai, dan kepuasan. Setiap variabel eksogen dengan maksud selain 0 harus muncul sebagai argumen dalam panggilan ke metode mean. Jika metode mean belum digunakan dalam program ini, Amos akan tetap sarana variabel eksogen pada 0. Parameter Intercept dapat ditentukan oleh tambahan sepasang kurung dalam perintah Sem.AStructure (seperti kami hanya menunjukkan) atau dengan menggunakan metode Intercept. Dalam program berikut, metode Intercept digunakan untuk menentukan bahwa ada intersep dalam persamaan regresi untuk memprediksi kinerja:

227 Regresi dengan Intercept Eksplisit

Contoh \ UserGuide.xls "," Warren5v ") Sem.AStructure (" kinerja <--- pengetahuan ") Sem.AStructure (" kinerja <--- nilai ") Sem.AStructure (" kinerja <--- kepuasan ") Sem.AStructure ("kinerja <--- error (1)") Sem.Intercept ("performance") Sem.Mean ("pengetahuan") Sem.Mean ("value") Sem.Mean ("kepuasan") Sem. FitModel () Akhirnya Sem.Dispose () End Try End Sub

15

Analisis Faktor dengan Sarana Terstruktur

Contoh ini menunjukkan bagaimana untuk memperkirakan faktor sarana dalam analisis faktor umum data dari beberapa populasi.

Faktor Sarana

Secara konvensional, model analisis faktor umum tidak membuat asumsi tentang cara setiap variabel. Secara khusus, model tidak membuat asumsi tentang sarana faktor umum. Pada kenyataannya, bahkan tidak mungkin untuk memperkirakan faktor sarana atau untuk menguji hipotesis secara konvensional, analisis faktor tunggal sampel. Namun, Sörbom (1974) menunjukkan bahwa adalah mungkin untuk membuat kesimpulan tentang faktor berarti di bawah asumsi yang wajar, asalkan kamu menganalisa data dari lebih dari satu populasi. Dengan menggunakan pendekatan Sörbom, Anda tidak bisa memperkirakan rata-rata dari setiap faktor untuk setiap penduduk, tetapi Anda dapat memperkirakan perbedaan dalam faktor berarti

seluruh populasi. Misalnya, pikirkan tentang Contoh 12, di mana model analisis faktor umum dipasang secara bersamaan untuk sampel perempuan dan sampel anak laki-laki. Untuk setiap kelompok, ada dua faktor umum, diartikan sebagai kemampuan verbal dan kemampuan spasial. Metode yang digunakan dalam Contoh 12 tidak mengizinkan pemeriksaan kemampuan verbal rata atau rata-rata kemampuan spasial. Metode Sörbom yang tidak. Meskipun metodenya tidak memberikan perkiraan rata-rata untuk baik perempuan atau anak laki, hal ini memberikan perkiraan perbedaan rata-rata antara perempuan dan laki-laki untuk setiap faktor. Metode ini juga menyediakan uji signifikansi perbedaan faktor sarana.

229

230 Contoh 15

Status identifikasi model analisis faktor adalah pelajaran yang sulit ketika memperkirakan faktor sarana. Bahkan, prestasi Sörbom adalah untuk menunjukkan bagaimana untuk membatasi parameter sehingga model analisis faktor diidentifikasi dan sehingga perbedaan-perbedaan dalam faktor berarti dapat diperkirakan. Kami akan mengikuti pedoman Sörbom untuk mencapai identifikasi model dalam contoh ini.

Kami akan menggunakan (1939) Data Holzinger dan Swineford dari Contoh 12. Dataset Gadis-gadis 'dalam Grnt_fem.sav. Dataset Anak-anak 'dalam Grnt_mal.sav.

Model A untuk Boys and Girls

Kita perlu membangun sebuah model untuk menguji hipotesis nol berikut: Laki-laki dan perempuan memiliki kemampuan spasial yang sama rata-rata dan kemampuan verbal yang sama rata-rata, di mana kemampuan spasial dan verbal faktor umum. Agar hipotesis ini memiliki makna, tata ruang dan faktor-faktor lisan harus berhubungan dengan variabel yang diamati dengan cara yang sama untuk anak perempuan sebagai anak laki-laki. Ini berarti bahwa gadis-gadis 'bobot regresi dan penyadapan harus sama dengan anak laki-laki' bobot regresi dan penyadapan. Model B Contoh 12 dapat digunakan sebagai titik awal untuk menentukan model A dari contoh ini. Dimulai dengan Model B Contoh 12:

E Pilih Perkirakan sarana dan penyadapan (tanda centang di samping itu).

Bobot regresi sudah dibatasi harus sama di seluruh kelompok. Untuk mulai menghambat penyadapan harus sama di seluruh kelompok:

E Klik kanan salah satu variabel yang diamati, seperti visperc. E Pilih Object Properties dari menu pop-up.

231 Analisis Faktor dengan Sarana Terstruktur

E Pada kotak dialog Obyek Properties, klik tab Parameter. E Masukkan nama parameter, seperti int_vis, dalam kotak teks Intercept. E Pilih Semua kelompok, sehingga mencegat bernama int_vis pada kedua kelompok. E Lanjutkan dengan cara yang sama untuk memberi nama pada lima penyadapan tersisa.

Sebagai Sörbom menunjukkan, perlu untuk memperbaiki faktor berarti dalam salah satu kelompok pada konstan. Kami akan memperbaiki sarana faktor spasial dan verbal anak laki-laki pada 0. Contoh 13 menunjukkan bagaimana untuk memperbaiki rata-rata dari variabel ke nilai konstan.

Catatan: Bila menggunakan kotak dialog Properties Object untuk memperbaiki faktor anak laki-laki 'berarti pada 0, pastikan bahwa Anda tidak menaruh tanda centang Semua kelompok.

Setelah memperbaiki anak laki-laki 'faktor berarti pada 0, ikuti prosedur yang sama untuk menetapkan nama untuk gadis-gadis' faktor berarti. Pada titik ini, diagram jalur gadis-gadis 'harus terlihat seperti ini:

1 cube_s

mn_s,

kubus visperc

int_vis 1

err_v

spasial

int_cub 1 int_loz 1

err_c

lozn_s

lozenges

err_l

mn_v,

1 sent_v

paragrap

int_par 1 int_sen

err_p

lisan

kalimat wordmean

err_s

word_v

int_wrd 1

err_w

232 Contoh 15

Diagram jalur anak laki-laki 'akan terlihat seperti ini:

int_vis 1 cube_s

Memahami Kendala Cross-Kelompok

Kendala lintas kelompok pada penyadapan dan bobot regresi mungkin atau mungkin tidak puas dalam populasi. Salah satu hasil pas model akan menjadi ujian apakah kendala ini terus dalam populasi anak perempuan dan anak laki-laki. Alasan untuk memulai dengan kendala ini adalah bahwa (sebagai titik Sörbom out) perlu untuk memaksakan beberapa kendala pada penyadapan dan bobot regresi untuk membuat model yang terindentifikasi ketika memperkirakan faktor sarana. Ini bukan satu-satunya kendala yang akan membuat model diidentifikasi, tetapi mereka adalah orang-orang yang masuk akal. Satu-satunya perbedaan antara anak laki-laki dan perempuan diagram path dalam kendala pada dua faktor berarti. Untuk anak laki-laki, berarti tetap pada 0. Untuk anak perempuan, baik faktor sarana diperkirakan. Gadis-gadis 'faktor sarana diberi nama mn_s dan mn_v, tetapi faktor sarana yang dibatasi karena setiap rata-rata memiliki nama yang unik. Anak-anak 'faktor sarana yang tetap pada 0 untuk membuat model diidentifikasi. Sörbom menunjukkan bahwa, bahkan dengan semua kendala lain yang dikenakan di sini, masih tidak mungkin untuk memperkirakan faktor sarana untuk kedua anak laki-laki dan perempuan secara bersamaan. Ambil kemampuan verbal, misalnya. Jika Anda memperbaiki anak laki-laki 'kemampuan verbal berarti di beberapa konstan (seperti 0), maka Anda dapat memperkirakan gadis' berarti kemampuan verbal. Atau, Anda dapat memperbaiki gadis-gadis 'berarti kemampuan verbal di beberapa konstan, dan kemudian memperkirakan anak-anak' kemampuan verbal berarti. Kabar buruknya adalah bahwa Anda tidak dapat memperkirakan keduanya berarti sekaligus. Kabar baiknya adalah bahwa

233 Analisis Faktor dengan Sarana Terstruktur

perbedaan antara 'mean dan gadis-gadis' anak laki-laki rata-rata akan sama, tidak peduli yang berarti Anda memperbaiki dan tidak peduli apa nilai Anda memperbaiki untuk itu.

Hasil untuk Model A

Tidak ada alasan untuk menolak Model A pada setiap tingkat signifikansi konvensional.

Chi-square = 22,593 Derajat kebebasan = 24 tingkat Probabilitas = 0,544

Kami terutama tertarik pada perkiraan kemampuan verbal berarti dan berarti kemampuan spasial, dan tidak begitu banyak estimasi parameter lainnya. Namun, seperti biasa, semua perkiraan harus diperiksa untuk memastikan bahwa mereka masuk akal. Berikut adalah estimasi parameter unstandardixed untuk 73 anak perempuan:

1.00 .56

30.14 1

0, 25.62

0, 12,55

-1.07, 21.19

25,12 1 16,60 1,37

0, 24.65

lozenges

9.45

0, 2.84

7.19 .96, 9,95 1,00 1,28

paragrap

18.26

0, 8.21

0, 19,88

2.21

16,22 1

234 Contoh 15

Berikut adalah perkiraan anak laki-laki:

0, 31,87

0, 15,31

0, 15,75

0, 40.71

0, 2.35

6.98 0, 7.03 1.00 1.28

0, 6.02

0, 20,33

Perempuan memiliki kemampuan spasial rata-rata diperkirakan -1.07.

Kami tetap rata-rata kemampuan spasial anak laki-laki 'pada 0. Dengan demikian, anak-anak 'berarti kemampuan spasial diperkirakan 1,07 unit di bawah laki-laki' kemampuan spasial berarti. Perbedaan ini tidak terpengaruh oleh keputusan awal untuk memperbaiki rata-rata anak laki-laki pada 0. Jika kita tetap anak laki-laki rata-rata di 10.000, gadis-gadis 'berarti akan telah diperkirakan 8,934. Jika kita tetap gadis-gadis 'berarti pada 0, anak laki-laki rata-rata akan telah diperkirakan 1,07. Apa unit kemampuan spasial diekspresikan dalam? Perbedaan dari 1,07 unit kemampuan verbal mungkin penting atau tidak, tergantung pada ukuran unit. Karena berat regresi regresi visperc pada kemampuan spasial adalah sama dengan 1, kita dapat mengatakan bahwa kemampuan spasial dinyatakan dalam satuan yang sama dengan nilai pada tes visperc. Tentu saja, ini adalah informasi yang berguna hanya jika Anda kebetulan menjadi akrab dengan tes visperc. Ada pendekatan lain untuk mengevaluasi perbedaan rata-rata 1,07, yang tidak melibatkan visperc. Sebagian dari teks output tidak direproduksi di sini menunjukkan bahwa ruang memiliki varians diperkirakan 15,752 untuk anak laki-laki, atau deviasi standar sekitar 4,0. Untuk anak perempuan, varians spasial diperkirakan 21,188, sehingga deviasi standar adalah sekitar 4,6. Dengan standar deviasi besar ini, perbedaan dari 1,07 tidak akan dianggap sangat besar untuk sebagian besar tujuan. Signifikansi statistik dari unit selisih 1,07 antara anak perempuan dan laki-laki mudah untuk mengevaluasi. Karena anak laki-laki rata-rata ditetapkan pada 0, kita perlu bertanya apakah hanya gadis-gadis 'berarti berbeda secara signifikan dari 0.

235 Analisis Faktor dengan Sarana Terstruktur

Berikut adalah faktor perkiraan rata-rata anak-anak perempuan dari output teks:

Berarti: (Girls - Model Default)

Perkiraan lisan spasial -1,066 0,956 S.E. 0,881 0,521 CR P -1,209 0,226 1,836 0,066 Label mn_s mn_v

Kemampuan spasial rata-rata gadis-gadis 'memiliki rasio kritis -1,209 dan tidak signifikan berbeda dari 0 (p = 0,226). Dengan kata lain, tidak berbeda secara signifikan dari rata-rata anak laki-laki '. Beralih ke kemampuan verbal, gadis-gadis 'berarti diperkirakan 0,96 unit di atas anak laki-laki

rata-rata. Kemampuan verbal memiliki standar deviasi sekitar 2,7 di antara anak laki-laki dan sekitar 3,15 kalangan perempuan. Dengan demikian, 0,96 unit kemampuan verbal adalah sekitar sepertiga dari standar deviasi pada kedua kelompok. Perbedaan antara laki-laki dan perempuan mendekati signifikansi pada tingkat 0,05 (p = 0,066).

Model B untuk Boys and Girls

Dalam pembahasan Model A, kami menggunakan rasio penting untuk melaksanakan dua uji signifikansi: tes untuk perbedaan jenis kelamin dalam kemampuan spasial dan tes untuk perbedaan jenis kelamin dalam kemampuan verbal. Kami sekarang akan melaksanakan tes tunggal dari hipotesis nol bahwa tidak ada perbedaan jenis kelamin, baik dalam kemampuan spasial atau kemampuan verbal. Untuk melakukan ini, kita akan mengulangi analisis sebelumnya dengan kendala tambahan yang anak laki-laki dan perempuan memiliki rata-rata yang sama pada kemampuan spasial dan kemampuan verbal. Karena anak laki-laki 'berarti sudah tetap pada 0, membutuhkan gadis-gadis' berarti menjadi sama dengan anak laki-laki 'berarti sebesar menetapkan gadis-gadis' sarana untuk 0 juga. Gadis-gadis 'faktor berarti telah bernama mn_s dan mn_v. Untuk memperbaiki sarana pada 0:

E Dari menu, pilih Analyze → Manage Model. E Dalam Mengelola kotak dialog Model, Model tipe A dalam Nama Model kotak teks, E Biarkan kotak Kendala Parameter kosong.

236 Contoh 15

E Klik Baru. E Type Model B dalam Nama Model kotak teks. E Ketik kendala mn_s = 0 dan mn_v = 0 dalam Parameter Kendala kotak teks.

E Klik Tutup.

Sekarang ketika Anda memilih Menganalisis → Hitung Perkiraan, Amos akan cocok baik Model A dan Model B. Berkas EX15-all.amw berisi dua model ini setup.

237 Analisis Faktor dengan Sarana Terstruktur

Hasil untuk Model B

Jika kita tidak memiliki Model A sebagai dasar untuk perbandingan, sekarang kita akan menerima Model B, menggunakan tingkat signifikansi konvensional.

Chi-square = 30,624 Derajat kebebasan = 26 tingkat Probabilitas = 0,243

Membandingkan Model A dan B

Tes alternatif Model B dapat diperoleh dengan asumsi bahwa Model A adalah benar dan menguji apakah Model B cocok signifikan lebih buruk daripada Model A. Sebuah uji chi-square untuk perbandingan ini diberikan dalam output teks.

E Pada jendela Output Amos, klik Model Perbandingan dalam diagram pohon di atas

panel kiri.

Dengan asumsi Model Model A harus benar:

Model Model B DF 2 CMIN 8.030 P 0,018 NFI Delta-1 0,024 IFI Delta-2 0,026 RFI rho-1 0,021 TLI 0,023 rho2

Tabel tersebut menunjukkan bahwa Model B memiliki dua derajat kebebasan lebih daripada Model A, dan statistik chi-square yang lebih besar oleh 8.030. Jika Model B benar, kemungkinan seperti perbedaan besar dalam nilai chi-square adalah 0,018, menyediakan beberapa bukti terhadap Model B.

238 Contoh 15

Program berikut cocok Model A. disimpan sebagai EX15-a.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.ModelMeansAndIntercepts () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Grnt_fem.sav") Sem.GroupName ( "Girls") Sem.AStructure ("visperc = (int_vis) + (1) + spasial (1) err_v") Sem.AStructure ("kubus = (int_cub) + (cube_s) spasial + (1) err_c") Sem. AStructure ("lozenges = (int_loz) + (lozn_s) spasial + (1) err_l") Sem.AStructure ("paragrap = (int_par) + (1) + lisan (1) err_p") Sem.AStructure ("kalimat = ( int_sen) + (sent_v) lisan + (1) err_s ") Sem.AStructure (" wordmean = (int_wrd) + (word_v) lisan + (1) err_w ") Sem.Mean (" ruang "," mn_s ") Sem.

Berarti ("lisan", "mn_v") Sem.BeginGroup (Sem.AmosDir & "Contoh \ Grnt_mal.sav") Sem.GroupName ("Boys") Sem.AStructure ("visperc = (int_vis) + (1) + spasial (1) err_v ") Sem.AStructure (" kubus = (int_cub) + (cube_s) spasial + (1) err_c ") Sem.AStructure (" lozenges = (int_loz) + (lozn_s) spasial + (1) err_l ") Sem.AStructure ("paragrap = (int_par) + (1) + lisan (1) err_p") Sem.AStructure ("kalimat = (int_sen) + (sent_v) lisan + (1) err_s") Sem.AStructure ("wordmean = (int_wrd) + (word_v) lisan + (1) err_w ") Sem.Mean (" ruang "," 0 ") Sem.Mean (" lisan "," 0 ") Sem.FitModel () Akhirnya Sem.Dispose ( ) End Try End Sub

Metode AStructure disebut sekali untuk setiap variabel endogen. Metode Rata-Rata dalam kelompok perempuan digunakan untuk menentukan bahwa sarana kemampuan verbal dan faktor kemampuan spasial secara bebas diperkirakan. Program ini juga menggunakan metode mean untuk menentukan bahwa kemampuan verbal dan kemampuan spasial memiliki nol berarti dalam kelompok anak laki-laki. Sebenarnya, Amos mengasumsikan nol berarti secara default, sehingga penggunaan metode mean untuk anak-anak tidak perlu.

239 Analisis Faktor dengan Sarana Terstruktur

Program berikut cocok Model B. Dalam model ini, faktor sarana tetap pada 0 untuk kedua anak laki-laki dan perempuan. Program ini disimpan sebagai EX15-b.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba datafile Dim As String = Sem.AmosDir & "Contoh \ userguide.xls" Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.ModelMeansAndIntercepts () Sem.BeginGroup ( datafile, "grnt_fem") Sem.GroupName ("Girls") Sem.AStructure ("visperc = (int_vis) + (1) + spasial (1) err_v") Sem.AStructure ("kubus = (int_cub) + (cube_s) spasial + (1) err_c ") Sem.AStructure (" lozenges = (int_loz) + (lozn_s) spasial + (1) err_l ") Sem.AStructure (" ayat = (int_par) + (1) + lisan (1) err_p ") Sem.AStructure (" kalimat = (int_sen) + (sent_v) lisan + (1) err_s ") Sem.AStructure (" wordmean = (int_wrd) + (word_v) lisan + (1) err_w ") Sem.Mean ( "spasial", "0") Sem.Mean ("lisan", "0") Sem.BeginGroup (datafile, "grnt_mal") Sem.GroupName ("Boys") Sem.AStructure ("visperc = (int_vis) + ( 1) spasial + (1) err_v ") Sem.AStructure (" kubus = (int_cub) + (cube_s) spasial + (1) err_c ") Sem.AStructure (" lozenges = (int_loz) + (lozn_s) spasial + (1 ) err_l ") Sem.AStructure (" ayat = (int_par) + (1) + lisan (1) err_p ") Sem.AStructure (" kalimat = (int_sen) + (sent_v) lisan + (1) err_s ") Sem. AStructure ("wordmean = (int_wrd) + (word_v) lisan + (1) err_w") Sem.Mean ("ruang", "0") Sem.Mean ("lisan", "0") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

240 Contoh 15

Program berikut (EX15-all.vb) cocok kedua model A dan B.

= (int_wrd) + (word_v) lisan + (1) err_w ") Sem.Mean (" ruang "," 0 ") Sem.Mean (" lisan "," 0 ") Sem.Model (" Model A ") ' perbedaan jenis kelamin dalam faktor berarti. Sem.Model ("Model B", "mn_s = 0", "mn_v = 0") 'Equal faktor berarti. Sem.FitAllModels () Akhirnya Sem.Dispose () End Try End Sub

16

Alternatif Sörbom untuk Analisis Kovarian

Contoh ini menunjukkan laten pemodelan struktur persamaan dengan pengamatan longitudinal pada dua atau lebih kelompok, model yang menggeneralisasi analisis tradisional teknik kovarians dengan memasukkan variabel laten dan residu autocorrelated (dibandingkan dengan Sörbom, 1978), dan bagaimana asumsi yang digunakan dalam analisis tradisional kovarians dapat diuji.

Asumsi

Contoh 9 menunjukkan alternatif untuk analisis konvensional kovarians yang bekerja bahkan dengan kovariat tidak dapat diandalkan.

Sayangnya, analisis kovarians juga tergantung pada asumsi-asumsi lain selain asumsi kovariat sempurna handal, dan metode Contoh 9 juga tergantung pada mereka. Sörbom (1978) mengembangkan pendekatan yang lebih umum yang memungkinkan pengujian banyak asumsi-asumsi dan santai beberapa dari mereka. Contoh ini menggunakan data yang sama yang Sörbom digunakan untuk memperkenalkan metodenya. Eksposisi erat berikut Sörbom itu.

241

242 Contoh 16

Tentang Data

Kami akan kembali menggunakan Olsson (1973) data yang diperkenalkan dalam contoh 9. Sampel berarti, variasi, dan covariances dari 108 subyek eksperimental berada di lembar kerja Excel Olss_exp Microsoft di UserGuide.xls workbook.

Sampel berarti, variasi, dan covariances dari subyek kontrol 105 berada di Olss_cnt worksheet.

Kedua dataset berisi perkiraan objektif adat ragam dan covariances. Artinya, unsur-unsur dalam matriks kovarians diperoleh dengan membagi dengan (N - 1). Hal ini juga terjadi pada pengaturan default yang digunakan oleh Amos untuk membaca matriks kovarians. Namun, untuk model pas, perilaku default adalah dengan menggunakan kemungkinan estimasi maksimum populasi matriks kovariansi (diperoleh dengan membagi oleh N) sebagai sampel matriks kovariansi. Amos melakukan konversi dari berisi perkiraan untuk kemungkinan maksimum memperkirakan otomatis.

Alternatif 243 Sörbom untuk Analisis Kovarian

Mengubah Perilaku default

E Dari menu, pilih View → Analisis Properties. E Dalam Analisis kotak dialog Properties, klik tab Bias.

Pengaturan standar yang digunakan oleh Amos memberikan hasil yang konsisten dengan data yang hilang pemodelan (dibahas dalam Contoh 17 dan Contoh 18). Program SEM lainnya seperti LISREL (Joreskog dan Sörbom, 1989) dan EQS (Bentler, 1985) menganalisis berisi momen sebaliknya, menghasilkan hasil yang sedikit berbeda ketika ukuran sampel yang kecil. Memilih kedua netral pilihan pada tab Bias menyebabkan Amos untuk menghasilkan perkiraan yang sama dengan LISREL atau EQS. Lampiran B membahas lebih lanjut pengorbanan dalam memilih apakah akan sesuai dengan estimasi kemungkinan maksimum matriks kovarians atau estimasi bias.

Model A

Menentukan Model

Pertimbangkan model awal Sörbom ini (Model A) untuk data Olsson.

Jalur Diagram untuk kelompok kontrol adalah:

244 Contoh 16

eps1

1

0,

eps2

eps3

eps4

a_syn1

a_opp1

a_syn2

a_opp2

pre_syn

pre_opp

opp_v1

post_syn

post_opp

opp_v2

pre_verbal

post_verbal

0

1 0,

Contoh 16: Model A Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi kontrol. Model Spesifikasi

zeta

Diagram berikut path Model A untuk kelompok eksperimen:

pre_diff,

efek

Contoh 16: Model A Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi eksperimental. Sarana dan penyadapan merupakan bagian penting dari model ini, jadi pastikan bahwa Anda melakukan hal berikut:

E Klik tab Estimasi. E Pilih Perkirakan sarana dan penyadapan (tanda centang di samping itu).

Dalam setiap kelompok, Model A menentukan bahwa pre_syn dan pre_opp merupakan indikator dari variabel laten tunggal yang disebut pre_verbal, dan bahwa post_syn dan post_opp adalah indikator variabel lain yang disebut laten post_verbal. The variabel laten pre_verbal ditafsirkan

Alternatif 245 Sörbom untuk Analisis Kovarian

sebagai kemampuan verbal pada awal penelitian, dan post_verbal diartikan sebagai kemampuan verbal pada akhir penelitian. Ini adalah model pengukuran Sörbom itu. Model struktural menetapkan bahwa post_verbal linear tergantung pada pre_verbal. Label opp_v1 dan opp_v2 memerlukan bobot regresi dalam model pengukuran harus sama untuk kedua kelompok.

Demikian pula, label a_syn1, a_opp1, a_syn2, dan a_opp2 memerlukan penyadapan dalam model pengukuran harus sama untuk kedua kelompok. Kendala-kendala kesetaraan adalah asumsi yang bisa salah. Bahkan, salah satu hasil dari analisa yang akan datang akan menjadi ujian asumsi ini. Sebagai Sörbom menunjukkan, beberapa asumsi harus dibuat tentang parameter dalam model pengukuran untuk memungkinkan untuk memperkirakan dan menguji hipotesis tentang parameter dalam model struktural. Untuk subyek kontrol, rerata pre_verbal dan intercept dari post_verbal tetap pada 0. Ini menetapkan kelompok kontrol sebagai kelompok referensi untuk perbandingan kelompok. Anda harus memilih suatu kelompok referensi untuk membuat sarana variabel laten dan penyadapan diidentifikasi. Untuk subyek percobaan, parameter mean dan intercept dari faktor laten yang diizinkan untuk nol. Variabel laten berarti berlabel pre_diff merupakan selisih kemampuan verbal sebelum pengobatan, dan efek berlabel mencegat merupakan peningkatan kelompok eksperimen relatif terhadap kelompok kontrol. Jalur diagram untuk contoh ini disimpan dalam Ex16-a.amw. Perhatikan bahwa model Sörbom itu tidak memaksakan kendala lintas-kelompok pada varians dari enam variabel eksogen teramati. Artinya, empat variabel yang diamati mungkin memiliki variasi yang unik yang berbeda di kontrol dan kondisi eksperimental, dan varians pre_verbal dan zeta juga mungkin berbeda dalam dua kelompok. Kami akan menyelidiki asumsi ini lebih dekat ketika kita sampai Model X, Y, dan Z.

Hasil untuk Model A

Teks Keluaran

Pada jendela Output Amos, klik Catatan untuk Model dalam diagram pohon di sebelah kiri atas menunjukkan bahwa Model A tidak dapat diterima pada setiap tingkat signifikansi konvensional.

Chi-square = 34,775 Derajat kebebasan = 6 Probabilitas level = 0.000

246 Contoh 16

Kami juga mendapatkan pesan berikut yang menyediakan bukti lebih lanjut bahwa Model A adalah salah:

Varians berikut negatif. (Kontrol - Model Default)

zeta -2,868

Bisakah kita memodifikasi Model A sehingga akan cocok dengan data sementara masih memungkinkan perbandingan yang berarti dari kelompok eksperimen dan kontrol? Ini akan sangat membantu di sini untuk mengulangi analisis dan indeks modifikasi permintaan. Untuk mendapatkan indeks modifikasi:

E Dalam Analisis kotak dialog Properties, klik tab Output. E Pilih indeks Modifikasi dan masukkan ambang batas yang sesuai dalam kotak teks ke kanan. Untuk

contoh ini, ambang batas akan dibiarkan pada nilai default dari 4.

Berikut adalah indeks output modifikasi dari kelompok eksperimen:

Indeks Modifikasi (percobaan - Model Default) covariances: (percobaan - Model Default)

M.I. eps2 <-> eps4 10,508 eps2 <-> eps3 8,980 eps1 <-> eps4 8,339 eps1 <-> eps3 7,058 MI Par Ubah 4,700 -4,021 -3,908 3,310 Par Par Ubah Ubah Par Par Perubahan Perubahan

Varians: (percobaan - Model Default) Berat Regresi: (percobaan - Model Default) Artinya: (percobaan - Model Default) Intersep: (percobaan - Model Default)

Pada kelompok kontrol, tidak ada parameter memiliki indeks modifikasi lebih besar dari ambang 4.

Alternatif 247 Sörbom untuk Analisis Kovarian

Model B

Indeks modifikasi terbesar diperoleh dengan Model A menunjukkan menambahkan kovarians antara eps2 dan eps4 pada kelompok eksperimen. Indeks modifikasi menunjukkan bahwa statistik chi-kuadrat akan mampir setidaknya 10,508 jika eps2 dan eps4 diperbolehkan untuk memiliki kovarians nol. Statistik perubahan parameter dari 4.700 menunjukkan bahwa estimasi kovarian akan positif jika diperbolehkan untuk mengambil nilai apapun. Modifikasi yang disarankan adalah masuk akal. Eps2 merupakan variasi yang unik di pre_opp, dan eps4 merupakan variasi yang unik di

post_opp, dimana pengukuran pada pre_opp dan post_opp diperoleh dengan pemberian tes yang sama, berlawanan, pada dua kesempatan yang berbeda. Oleh karena itu wajar untuk berpikir bahwa eps2 dan eps4 mungkin berkorelasi secara positif. Langkah berikutnya adalah untuk mempertimbangkan model direvisi, yang disebut Model B, di mana eps2 dan eps4 yang boleh berkorelasi pada kelompok eksperimen. Untuk mendapatkan Model B dari Model A:

E Menggambar panah berkepala dua menghubungkan eps2 dan eps4.

Hal ini memungkinkan eps2 dan eps4 berkorelasi pada kedua kelompok. Kami tidak ingin mereka berkorelasi pada kelompok kontrol, sehingga kovarians harus tetap pada 0 pada kelompok kontrol. Untuk mencapai hal ini:

E Klik kontrol dalam panel Grup (di sebelah kiri diagram jalur) untuk menampilkan path

diagram untuk kelompok kontrol.

E Klik kanan panah berkepala dua dan pilih Object Properties dari pop-up

menu.

E Pada kotak dialog Obyek Properties, klik tab Parameter. E Type 0 dalam kotak teks Kovarian. E Pastikan Semua kelompok kotak centang kosong. Dengan kotak cek kosong, kendala

pada kovarians berlaku hanya kelompok kontrol.

248 Contoh 16

Untuk Model B, diagram jalur untuk kelompok kontrol adalah:

0

1 a_syn1

1 a_opp1

Contoh 16: Model B Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi kontrol. Alternatif 249 Sörbom untuk Analisis Kovarian

Untuk kelompok eksperimen, diagram jalur adalah:

Contoh 16: Model B Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi eksperimental. Hasil untuk Model B

Dalam bergerak dari Model A ke B Model, statistik chi-square turun 17,712 (lebih dari yang dijanjikan 10,508) sementara jumlah derajat kebebasan turun hanya 1.

Chi-square = 17,063 Derajat kebebasan = 5 tingkat Probabilitas = 0,004

Model B merupakan perbaikan atas Model A tetapi tidak cukup perbaikan. Model B masih tidak sesuai dengan data dengan baik. Selain itu, varian zeta pada kelompok kontrol memiliki perkiraan negatif (tidak ditampilkan di sini), seperti itu untuk Model A. Kedua fakta berdebat keras terhadap Model B. Ada ruang untuk harapan, namun, karena indeks modifikasi menunjukkan modifikasi lebih lanjut dari Model B. modifikasi indeks untuk kelompok kontrol adalah:

250 Contoh 16

Indeks Modifikasi (kontrol - Model Default) covariances: (kontrol - Model Default)

eps2 <-> eps4 4,727 eps1 <-> eps4 4,086 M.I. Par Ubah 2,141 -2,384 Par Par Ubah Ubah Par Par Perubahan Perubahan

Varians: (kontrol - Model Default) Regresi Bobot: (kontrol - Model Default) Artinya: (kontrol - Model Default) Intersep: (kontrol - Model Default)

Terbesar Indeks modifikasi (4,727) menunjukkan memungkinkan eps2 dan eps4 berkorelasi pada kelompok kontrol. (Eps2 dan eps4 sudah berkorelasi pada kelompok eksperimen.) Membuat modifikasi ini mengarah ke Model C.

Model C

Model C adalah seperti Model B kecuali bahwa istilah eps2 dan eps4 berkorelasi baik di kelompok kontrol dan kelompok eksperimen. Untuk menentukan model C, hanya mengambil Model B dan menghapus kendala pada kovarians antara eps2 dan eps4 pada kelompok kontrol. Berikut adalah diagram jalur baru untuk kelompok kontrol, seperti yang ditemukan dalam file Ex16-c.amw:

Contoh 16: Model C Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi kontrol. Alternatif 251 Sörbom untuk Analisis Kovarian

Hasil untuk Model C

Akhirnya, kami memiliki model yang sesuai.

Chi-square = 2,797 Derajat kebebasan = 4 tingkat Probabilitas = 0.592

Dari sudut pandang statistik kebaikan fit, tidak ada alasan untuk menolak Model C. Hal ini juga diperhatikan bahwa semua perkiraan varians positif. Berikut ini adalah estimasi parameter untuk subyek kontrol 105:

6.22

0, 10.04

0, 12.12

1 18.63

1 19.91

0, 5.63

0, 12.36

20.38

21.21

1.00

.88

.90

0, 28.10

.95

1 0, .54

Perkiraan unstandardixed

Selanjutnya adalah diagram jalur menampilkan estimasi parameter untuk subyek eksperimental 108:

252 Contoh 16

7.34

0, 2.19

0, 12,39

0, 7.51

0, 17.07

1.87, 47.46

.85

3.71

1 0, 8.86

Contoh 16: Model C Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi eksperimental. Sebagian besar estimasi parameter tidak sangat menarik, meskipun Anda mungkin ingin memeriksa dan memastikan bahwa perkiraan wajar. Kita telah mencatat bahwa perkiraan varians positif. Jalan koefisien dalam model pengukuran yang positif, yang meyakinkan. Campuran bobot regresi positif dan negatif dalam model pengukuran akan sulit untuk menafsirkan dan akan meragukan model. Kovarians antara eps2 dan eps4 positif pada kedua kelompok, seperti yang diharapkan. Kami terutama tertarik pada regresi post_verbal pada pre_verbal. The mencegat, yang tetap pada 0 pada kelompok kontrol, diperkirakan 3,71 pada kelompok eksperimen. Berat regresi diperkirakan 0,95 pada kelompok kontrol dan 0,85 pada kelompok eksperimen. Bobot regresi untuk kedua kelompok cukup dekat bahwa mereka bahkan mungkin identik dalam dua populasi. Bobot regresi Identik akan memungkinkan evaluasi sangat disederhanakan dari pengobatan dengan membatasi perbandingan dua kelompok untuk perbandingan penyadapan mereka. Oleh karena itu bermanfaat untuk mencoba suatu model di mana bobot regresi adalah sama untuk kedua kelompok. Ini akan menjadi Model D.

Model D

Model D adalah seperti Model C kecuali bahwa itu memerlukan bobot regresi untuk memprediksi post_verbal dari pre_verbal harus sama untuk kedua kelompok. Kendala ini dapat dikenakan dengan memberikan bobot regresi nama yang sama, misalnya pre2post, pada kedua kelompok. Berikut ini adalah diagram jalur untuk Model D untuk kelompok eksperimen:

Alternatif 253 Sörbom untuk Analisis Kovarian

1 a_syn2

1 a_opp2

pre2post

Contoh 16: Model D Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi eksperimental. Selanjutnya adalah diagram jalur untuk Model D untuk kelompok kontrol:

Contoh 16: Model D Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi kontrol. Hasil untuk Model D

Model D akan diterima pada tingkat signifikansi konvensional.

Chi-square = 3,976 Derajat kebebasan = 5 tingkat Probabilitas = 0,553

254 Contoh 16

Pengujian Model D melawan Model C memberikan nilai chi-square 1,179 (= 3,976-2,797) dengan 1 (yaitu, 5-4) derajat kebebasan. Sekali lagi, Anda akan menerima hipotesis bobot regresi yang sama (Model D). Dengan bobot regresi yang sama, perbandingan mata pelajaran dirawat dan diobati sekarang berubah pada perbedaan antara penyadapan mereka. Berikut adalah estimasi parameter untuk subyek kontrol 105:

6.33

0, 9,49

0, 11.92

1 18.62

0, 5.78

0, 12.38

21.20

.91

0, 29,51

1 0, 1,02

Perkiraan untuk 108 subyek eksperimental adalah:

7.24

0, 2.52

0, 12.25

0, 7.38

0, 17.05

1.88, 46.90

3.63

1 0, 8.74

Mencegat untuk kelompok eksperimental diperkirakan sebagai 3,63. Menurut teks output (tidak ditampilkan di sini), estimasi 3,63 memiliki rasio kritis 7.59. Dengan demikian,

Alternatif 255 Sörbom untuk Analisis Kovarian

mencegat untuk kelompok eksperimen secara signifikan berbeda dari intercept untuk kelompok kontrol (yang tetap di 0).

Model E

Cara lain untuk menguji perbedaan dalam penyadapan post_verbal untuk signifikansi adalah untuk mengulang analisis Model D dengan kendala tambahan yang mencegat sama di seluruh kelompok. Karena intercept untuk kelompok kontrol sudah tetap pada 0, kita perlu menambahkan hanya persyaratan bahwa intersep menjadi 0 pada kelompok eksperimen juga. Pembatasan ini digunakan dalam Model E. Jalan diagram untuk Model E memang seperti itu untuk Model D, kecuali bahwa intersep dalam regresi post_verbal pada pre_verbal tetap pada 0 pada kedua kelompok. Diagram jalur tidak direproduksi di sini. Mereka dapat ditemukan di Ex16-e.amw.

Hasil untuk Model E

Model E harus ditolak.

Chi-square = 55,094 Derajat kebebasan = 6 Probabilitas level = 0.000

Membandingkan Model E melawan Model D menghasilkan nilai chi-square 51,018 (= 55,094-3,976) dengan 1 (= 6-5) derajat kebebasan. Model E harus ditolak demi Model D. Karena fit dari model E secara signifikan lebih buruk daripada Model D, hipotesis penyadapan yang sama lagi harus ditolak. Dengan kata lain, kelompok kontrol dan eksperimen berbeda pada saat posttest dengan cara yang tidak bisa dipertanggungjawabkan oleh perbedaan yang ada pada saat pretest. Ini menyimpulkan (1978) analisis Sörbom tentang data Olsson.

Model Fitting A Melalui E dalam Analisis Tunggal

Contoh file Ex16-a2e.amw cocok untuk semua lima model (A sampai E) dalam analisis tunggal. Prosedur untuk beberapa model pas dalam analisis tunggal ditunjukkan secara rinci dalam Contoh 6.

256 Contoh 16

Perbandingan Metode Sörbom dengan Metode Contoh 9

Alternatif Sörbom untuk analisis kovarians lebih sulit diterapkan daripada metode Contoh 9. Di sisi lain, metode Sörbom lebih unggul dengan metode Contoh 9 karena lebih umum. Artinya, Anda dapat menduplikasi metode Contoh 9 dengan menggunakan metode Sörbom dengan kendala parameter yang sesuai. Kami mengakhiri contoh ini dengan tiga model tambahan yang disebut X, Y, dan Z. Perbandingan antara model baru ini akan memungkinkan kita untuk menduplikasi hasil Contoh 9. Namun, kita juga akan menemukan bukti bahwa metode yang digunakan dalam contoh 9 adalah tidak pantas. Tujuan dari latihan ini cukup rumit adalah untuk memperhatikan keterbatasan pendekatan dalam contoh 9 dan untuk menunjukkan bahwa beberapa asumsi metode yang dapat diuji dan santai dalam pendekatan Sörbom itu.

Model X

Pertama, pertimbangkan model baru (Model X) yang mensyaratkan bahwa varians dan covariances dari variabel-variabel yang diamati sama untuk kontrol dan kondisi eksperimental. Sarana variabel yang diamati mungkin berbeda antara dua populasi. Model X tidak menentukan dependensi linear di antara variabel-variabel. Model X tidak, dengan sendirinya, sangat menarik, namun, Model Y dan Z (datang) menarik, dan kami akan ingin tahu seberapa baik mereka cocok dengan data, dibandingkan dengan Model X.

Modeling di Amos Graphics

Karena tidak ada penyadapan atau cara untuk memperkirakan, pastikan bahwa tidak ada tanda centang di sebelah Perkiraan sarana dan penyadapan pada tab Estimasi Analisis Properti kotak dialog.

Alternatif 257 Sörbom untuk Analisis Kovarian

Berikut ini adalah diagram jalur untuk Model X untuk kelompok kontrol:

v_s1 c_s1o1 v_o1

c_

s1 o 2

c_s1s2 v_s2

o1 c_ s2

c_o1o2 v_o2

c_s2o2

post_opp

Contoh 16: Model X Group-invarian kovarians struktur Olsson (1973): Kontrol Kondisi Model Spesifikasi

Jalur Diagram untuk kelompok eksperimental identik. Menggunakan nama parameter yang sama untuk kedua kelompok memiliki efek yang membutuhkan dua kelompok untuk memiliki nilai-nilai parameter yang sama.

Hasil untuk Model X

Model X akan ditolak pada setiap tingkat signifikansi konvensional.

Chi-square = 29,145 Derajat kebebasan = 10 tingkat Probabilitas = 0,001

Analisis yang mengikuti (Model Y dan Z) sebenarnya tidak pantas sekarang kita puas bahwa Model X adalah tidak pantas. Kami akan melakukan analisis sebagai latihan untuk menunjukkan bahwa mereka menghasilkan hasil yang sama seperti yang diperoleh pada Contoh 9.

Model Y

Pertimbangkan model yang sama seperti model D tetapi dengan kendala-kendala tambahan:

?? Kemampuan verbal pada pretest (pre_verbal) memiliki varian yang sama dalam kontrol dan

kelompok eksperimen.

Varians dari eps1, eps2, eps3, eps4, dan zeta adalah sama untuk kedua kelompok. Kovarians antara eps2 dan eps4 adalah sama untuk kedua kelompok.

258 Contoh 16

Terlepas dari korelasi antara eps2 dan eps4, Model D diperlukan bahwa eps1, eps2, eps3, eps4, dan zeta tidak berkorelasi antara mereka sendiri dan dengan setiap variabel eksogen lainnya. Kendala ini baru sebesar mensyaratkan bahwa varians dan covariances dari semua variabel eksogen sama untuk kedua kelompok. Secara keseluruhan, model baru memberlakukan dua jenis kendala:

Semua bobot regresi dan penyadapan adalah sama untuk kedua kelompok, kecuali mungkin

untuk mencegat digunakan dalam memprediksi post_verbal dari pre_verbal (persyaratan Model D).

Varians dan covariances dari variabel eksogen adalah sama untuk kedua

kelompok (persyaratan Y Model tambahan). Ini adalah asumsi yang sama yang kami buat dalam Model B dari Contoh 9. Perbedaannya kali ini adalah bahwa asumsi yang dibuat eksplisit dan dapat diuji. Diagram jalur untuk Model Y ditunjukkan di bawah ini. Sarana dan penyadapan diperkirakan dalam model ini, jadi pastikan bahwa Anda:

Berikut adalah diagram jalur untuk kelompok eksperimen:

c_e2e4

0, v_e1

0, v_e2

0, v_e3

0, v_e4

re_diff, v_v1

1 0, v_z

Contoh 16: Model Y Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi eksperimental. Alternatif 259 Sörbom untuk Analisis Kovarian

Berikut adalah diagram jalur untuk kelompok kontrol:

0, v_v1

Contoh 16: Model Y Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi kontrol. Hasil untuk Model Y

Kita harus menolak Model Y.

Chi-square = 31,816 Derajat kebebasan = 12 tingkat Probabilitas = 0,001

Ini adalah alasan yang baik untuk tidak puas dengan analisis Contoh 9, karena bergantung pada Model Y (yang, dalam contoh 9, disebut Model B) menjadi benar. Jika Anda melihat kembali pada Contoh 9, Anda akan melihat bahwa kami menerima Model B ada (χ2 = 2,684, df = 2, p = 0,261). Jadi bagaimana kita dapat mengatakan bahwa model yang sama harus ditolak sini (χ2 = 31,816, df = 1, p = 0,001)? Jawabannya adalah bahwa, sementara hipotesis nol adalah sama dalam kedua kasus (Model B dalam contoh 9 dan Model Y dalam contoh ini), hipotesis alternatif yang berbeda. Dalam Contoh 9, alternatif terhadap yang Model B diuji meliputi asumsi bahwa varians dan covariances dari variabel yang diamati adalah sama untuk kedua nilai dari variabel pengobatan (juga dinyatakan dalam asumsi p. 35). Dengan kata lain, uji Model B dilakukan dalam Contoh 9 implisit diasumsikan homogenitas variansi dan kovariansi untuk kontrol dan populasi eksperimental. Ini adalah sangat Asumsi yang dibuat eksplisit dalam model X dari contoh ini. Model Y adalah versi terbatas Model X. Hal ini dapat menunjukkan bahwa asumsi Model Y (bobot yang sama regresi untuk dua populasi, dan varians sama dan

260 Contoh 16

covariances dari variabel eksogen) menyiratkan asumsi Model X (covariances sama untuk variabel yang diamati). Model X dan Y karena itu bersarang model, dan adalah mungkin untuk melaksanakan uji bersyarat Model Y dengan asumsi bahwa Model X adalah benar. Tentu saja, itu akan masuk akal untuk melakukan bahwa tes hanya jika Model X memang benar, dan kami telah menyimpulkan tidak. Namun demikian, mari kita pergi melalui gerakan pengujian Model Y terhadap Model X. Perbedaan nilai chi-square adalah 2,671 (yaitu, 31,816-29,145) dengan 2 (= 12-10) derajat kebebasan. Angka-angka ini identik (dalam kesalahan pembulatan) dengan Contoh 9, Model B. Perbedaannya adalah bahwa dalam contoh 9 kita mengasumsikan bahwa tes itu tepat. Sekarang kami cukup yakin (karena kami menolak Model X) yang tidak. Jika Anda memiliki keraguan bahwa Model saat Y adalah sama dengan Model B pada Contoh 9, Anda harus membandingkan estimasi parameter dari dua analisis. Berikut adalah Y Model estimasi parameter untuk 108 subyek eksperimental. Lihat apakah Anda dapat menyesuaikan perkiraan tersebut ditampilkan dengan parameter unstandardixed memperkirakan diperoleh Model B dari Contoh 9.

6.83

0, 6.04

0, 12.31

1 18.53

1 19.90

0, 6.58

0, 14.75

1.88, 37.79

.89

3.64

1 0, 4.85

Model Z

Akhirnya, membangun model baru (Model Z) dengan memulai dengan model Y dan menambahkan persyaratan bahwa intersep dalam persamaan untuk memprediksi post_verbal dari pre_verbal sama pada kedua populasi. Model ini setara dengan model C Contoh 9. Jalan diagram untuk Model Z adalah sebagai berikut:

Alternatif 261 Sörbom untuk Analisis Kovarian

Berikut adalah diagram jalur untuk Model Z untuk kelompok eksperimen:

pre_diff, v_v1

Contoh 16: Model Z Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi eksperimental. Contoh 16: Model Z Sebuah alternatif untuk ANCOVA Olsson (1973): kondisi kontrol. Hasil untuk Model Z

Model ini harus ditolak.

Chi-square = 84,280 Derajat kebebasan = 13 tingkat Probabilitas = 0,000

262 Contoh 16

Model Z juga harus ditolak bila dibandingkan dengan model Y (χ2 = 84,280-31,816 = 52,464, df = 13-12 = 1). Dalam kesalahan pembulatan, ini adalah perbedaan yang sama dalam nilai chi-square dan derajat kebebasan seperti pada Contoh 9, ketika Model C dibandingkan dengan Model B.

Modeling di VB.NET

Program berikut cocok Model A. disimpan sebagai Ex16-a.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba datafile Dim As String = Sem.AmosDir & "Contoh \ UserGuide.xls" Sem.TextOutput () Sem.Mods (4) Sem.Standardized () Sem.Smc () Sem.ModelMeansAndIntercepts

() Sem.BeginGroup (datafile, "Olss_cnt") Sem.GroupName ("kontrol") Sem.AStructure ("pre_syn = (a_syn1) + (1) pre_verbal + (1) eps1") Sem.AStructure (_ "pre_opp = (a_opp1) + (opp_v1) pre_verbal + (1) eps2 ") Sem.AStructure (" post_syn = (a_syn2) + (1) post_verbal + (1) eps3 ") Sem.AStructure (_" post_opp = (a_opp2) + ( opp_v2) post_verbal + (1) eps4 ") Sem.AStructure (" post_verbal = (0) + () pre_verbal + (1) zeta ") Sem.BeginGroup (datafile," Olss_exp ") Sem.GroupName (" eksperimental ") Sem AStructure ("pre_syn = (a_syn1) + (1) pre_verbal + (1) eps1") Sem.AStructure (_ "pre_opp = (a_opp1) + (opp_v1) pre_verbal + (1) eps2") Sem.AStructure ("post_syn. = (a_syn2) + (1) post_verbal + (1) eps3 ") Sem.AStructure (_" post_opp = (a_opp2) + (opp_v2) post_verbal + (1) eps4 ") Sem.AStructure (" post_verbal = (efek) + () pre_verbal + (1) zeta ") Sem.Mean (" pre_verbal "," pre_diff ") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Alternatif 263 Sörbom untuk Analisis Kovarian

Untuk menyesuaikan Model B, mulai dengan program untuk Model A dan tambahkan baris

Sem.AStructure ("eps2 <---> eps4")

dengan model spesifikasi untuk kelompok eksperimental. Berikut adalah program yang dihasilkan untuk Model B. disimpan sebagai Ex16-b.vb.

() pre_verbal + (1) zeta ") Sem.AStructure (" eps2 <---> eps4 ") Sem.Mean (" pre_verbal "," pre_diff ") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

264 Contoh 16

Program berikut cocok Model C.

Program ini disimpan sebagai Ex16-c.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba datafile Dim As String = Sem.AmosDir & "Contoh \ UserGuide.xls" Sem.TextOutput () Sem.Mods (4) Sem.Standardized () Sem.Smc () Sem.ModelMeansAndIntercepts () Sem.BeginGroup (datafile, "Olss_cnt") Sem.GroupName ("kontrol") Sem.AStructure ("pre_syn = (a_syn1) + (1) pre_verbal + (1) eps1") Sem.AStructure (_ "pre_opp = (a_opp1) + (opp_v1) pre_verbal + (1) eps2 ") Sem.AStructure (" post_syn = (a_syn2) + (1) post_verbal + (1) eps3 ") Sem.AStructure (_" post_opp = (a_opp2) + ( opp_v2) post_verbal + (1) eps4 ") Sem.AStructure (" post_verbal = (0) + () pre_verbal + (1) zeta ") Sem.AStructure (" eps2 <---> eps4 ") Sem.BeginGroup (datafile

, "Olss_exp") Sem.GroupName ("eksperimental") Sem.AStructure ("pre_syn = (a_syn1) + (1) pre_verbal + (1) eps1") Sem.AStructure (_ "pre_opp = (a_opp1) + (opp_v1) pre_verbal + (1) eps2 ") Sem.AStructure (" post_syn = (a_syn2) + (1) post_verbal + (1) eps3 ") Sem.AStructure (_" post_opp = (a_opp2) + (opp_v2) post_verbal + (1) eps4 ") Sem.AStructure (" post_verbal = (efek) + () pre_verbal + (1) zeta ") Sem.AStructure (" eps2 <---> eps4 ") Sem.Mean (" pre_verbal "," pre_diff ") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Alternatif 265 Sörbom untuk Analisis Kovarian

Model D

Program berikut cocok Model D. Program ini disimpan sebagai Ex16-d.vb.

opp_v2) post_verbal + (1) eps4 ") Sem.AStructure (" post_verbal = (0) + (pre2post) pre_verbal + (1) zeta ") Sem.AStructure (" eps2 <---> eps4 ") Sem.BeginGroup ( datafile, "Olss_exp") Sem.GroupName ("eksperimental") Sem.AStructure ("pre_syn = (a_syn1) + (1) pre_verbal + (1) eps1") Sem.AStructure (_ "pre_opp = (a_opp1) + (opp_v1 ) pre_verbal + (1) eps2 ") Sem.AStructure (" post_syn = (a_syn2) + (1) post_verbal + (1) eps3 ") Sem.AStructure (_" post_opp = (a_opp2) + (opp_v2) post_verbal + (1 ) eps4 ") Sem.AStructure (_" post_verbal = (efek) + (pre2post) pre_verbal + (1) zeta ") Sem.AStructure (" eps2 <---> eps4 ") Sem.Mean (" pre_verbal "," pre_diff ") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

266 Contoh 16

Model E

Program berikut cocok Model E. Program ini disimpan sebagai Ex16-e.vb.

) eps4 ") Sem.AStructure (" post_verbal = (0) + (pre2post) pre_verbal + (1) zeta ") Sem.AStructure (" eps2 <---> eps4 ") Sem.Mean (" pre_verbal "," pre_diff ") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Alternatif 267 Sörbom untuk Analisis Kovarian

Fitting Beberapa Model

Program berikut cocok untuk semua model lima, A sampai E. Program ini disimpan sebagai Ex16-a2e.vb.

opp_v2) post_verbal + (1) eps4 ") Sem.AStructure (" post_verbal = (0) + (c_beta) pre_verbal + (1) zeta ") Sem.AStructure (" eps2 <---> eps4 (c_e2e4) ") Sem BeginGroup (datafile, "Olss_exp") Sem.GroupName ("eksperimental") Sem.AStructure ("pre_syn = (a_syn1) + (1) pre_verbal + (1) eps1") Sem.AStructure (_ "pre_opp = (a_opp1). + (opp_v1) pre_verbal + (1) eps2 ") Sem.AStructure (" post_syn = (a_syn2) + (1) post_verbal + (1) eps3 ") Sem.AStructure (_" post_opp = (a_opp2) + (opp_v2) post_verbal + (1) eps4 ") Sem.AStructure (" post_verbal = (efek) + (e_beta) pre_verbal + (1) zeta ") Sem.AStructure (" eps2 <---> eps4 (e_e2e4) ") Sem.Mean ( "pre_verbal", "pre_diff") Sem.Model ("Model A", "c_e2e4 = 0", "e_e2e4 = 0") Sem.Model ("Model B", "c_e2e4 = 0") Sem.Model ("Model C ") Sem.Model (" Model D "," c_beta = e_beta ") Sem.Model (" Model E "," c_beta = e_beta "," efek = 0 ") Sem.FitAllModels () Akhirnya Sem.Dispose () Akhir Coba End Sub

268 Contoh 16

Model X, Y, dan Z

Program VB.NET untuk Model X, Y, dan Z tidak akan dibahas di sini. Program dapat ditemukan dalam file Ex16-x.vb, Ex16-y.vb, dan Ex16-z.vb.

Contoh

17

Hilang data

Pengantar

Contoh ini menunjukkan analisis dataset di mana beberapa nilai yang hilang.

Data yang tidak lengkap

Sering terjadi bahwa nilai-nilai data yang diantisipasi dalam desain studi gagal terwujud. Mungkin subjek gagal untuk berpartisipasi dalam bagian dari sebuah penelitian. Atau mungkin orang yang mengisi kuesioner melewatkan beberapa pertanyaan. Anda mungkin menemukan bahwa beberapa orang tidak memberitahu Anda usia mereka, beberapa tidak melaporkan pendapatan mereka, yang lain tidak muncul pada hari Anda diukur

waktu reaksi, dan sebagainya. Untuk satu alasan atau lainnya, Anda sering berakhir dengan satu set data yang memiliki kesenjangan di dalamnya. Salah satu metode standar dalam menangani data yang tidak lengkap adalah untuk menghilangkan dari analisis setiap pengamatan yang beberapa nilai data yang hilang. Ini kadang-kadang disebut penghapusan listwise. Misalnya, jika seseorang tidak melaporkan penghasilannya, Anda akan menghilangkan orang itu dari studi Anda dan lanjutkan dengan analisis konvensional berdasarkan data yang lengkap namun dengan ukuran sampel berkurang. Metode ini tidak memuaskan karena membutuhkan membuang informasi yang terkandung dalam tanggapan bahwa orang tersebut memang memberi karena tanggapan bahwa ia tidak memberi. Jika hilang nilai yang umum, metode ini mungkin memerlukan membuang sebagian besar sampel. Pendekatan standar lain, dalam analisis yang bergantung pada momen sampel, adalah untuk menghitung setiap saat sampel secara terpisah, termasuk pengamatan dari perhitungan hanya bila hilang nilai yang diperlukan untuk perhitungan saat itu. Sebagai contoh, dalam menghitung pendapatan rata-rata sampel, Anda akan

269

270 Contoh 17

mengecualikan hanya orang yang pendapatannya Anda tidak tahu. Demikian pula, dalam menghitung kovarians sampel antara usia dan pendapatan, Anda akan mengecualikan observasi hanya jika usia hilang atau jika pendapatan yang hilang. Pendekatan ini untuk data yang hilang kadang-kadang disebut penghapusan berpasangan. Pendekatan ketiga adalah imputasi data, menggantikan nilai-nilai yang hilang dengan beberapa jenis menebak, dan kemudian melanjutkan dengan analisis konvensional sesuai untuk data lengkap. Sebagai contoh, Anda mungkin menghitung pendapatan rata-rata orang-orang yang melaporkan pendapatan mereka, dan kemudian atribut pendapatan itu untuk semua orang yang tidak melaporkan pendapatan mereka. Beale dan Little (1975) membahas metode untuk imputasi data, yang diimplementasikan dalam berbagai paket statistik. Amos tidak menggunakan salah satu metode ini. Bahkan di hadapan data yang hilang, itu menghitung estimasi kemungkinan maksimum (Anderson, 1957). Untuk alasan ini, setiap kali Anda memiliki data yang hilang, Anda dapat memilih untuk menggunakan Amos untuk melakukan analisis konvensional, seperti analisis regresi sederhana (seperti pada Contoh 4) atau untuk memperkirakan sarana (seperti pada Contoh 13). Perlu disebutkan bahwa ada satu jenis data hilang yang Amos tidak bisa menangani. (Tidak bisa setiap pendekatan umum lain untuk data yang hilang, seperti tiga yang disebutkan di atas.) Terkadang kenyataan bahwa nilai yang hilang menyampaikan informasi.

Bisa jadi, misalnya, bahwa orang dengan pendapatan sangat tinggi cenderung (lebih dari yang lain) tidak menjawab pertanyaan tentang pendapatan. Kegagalan untuk merespon demikian dapat menyampaikan informasi probabilistik tentang tingkat pendapatan seseorang, di luar informasi yang telah diberikan dalam data yang diamati. Jika hal ini terjadi, pendekatan terhadap data yang hilang bahwa Amos menggunakan tidak dapat diterapkan. Amos mengasumsikan bahwa nilai-nilai data yang hilang yang hilang secara acak. Hal ini tidak selalu mudah untuk mengetahui apakah asumsi ini valid atau apa artinya dalam praktek (Rubin, 1976). Di sisi lain, jika hilang pada kondisi acak puas, Amos memberikan perkiraan yang efisien dan konsisten. Sebaliknya, metode yang disebutkan sebelumnya tidak memberikan estimasi yang efisien, dan memberikan perkiraan yang konsisten hanya di bawah kondisi yang lebih kuat bahwa data yang hilang yang hilang sepenuhnya secara acak (Little dan Rubin, 1989).

Tentang Data

Untuk contoh ini, kita telah memodifikasi Holzinger dan Swineford (1939) data yang digunakan dalam Contoh 8. Asli dataset (di SPSS Statistik berkas Grnt_fem.sav) berisi nilai dari 73 gadis-gadis di enam tes, untuk total 438 nilai data. Untuk mendapatkan dataset dengan nilai-nilai yang hilang, masing-masing nilai data 438 di Grnt_fem.sav telah dihapus dengan probabilitas 0,30.

271 data Hilang

Yang dihasilkan dataset dalam SPSS Statistik berkas Grant_x.sav. Berikut adalah beberapa kasus yang pertama dalam file tersebut. Sebuah titik (.) Merupakan nilai yang hilang.

Amos mengakui periode SPSS Statistik dataset dan memperlakukan mereka sebagai data yang hilang. Amos mengakui data yang hilang dalam banyak format data lain juga. Misalnya, dalam sebuah dataset ASCII, dua pembatas berturut-turut menunjukkan nilai yang hilang. Tujuh kasus yang ditunjukkan di atas akan terlihat seperti ini dalam format ASCII:

visperc, kubus, belah ketupat, paragraf, kalimat, wordmean 33,, 17,8,17,10 30,, 20,,, 18, 33,36,, 25,41 28,,, 10,18,11,, 25 ,, 11,, 8 20,25,6,9,,,, 17,21,6,5,10,10

Sekitar 27% dari data di Grant_x.sav hilang. Data lengkap tersedia untuk hanya tujuh kasus.

Menentukan Model

Kami sekarang akan sesuai dengan model analisis faktor umum dari Contoh 8 (ditampilkan pada hal. 272) ke Holzinger dan Swineford data dalam Grant_x.sav berkas. Perbedaan antara analisis ini dan satu pada Contoh 8 adalah bahwa saat ini 27% dari data yang hilang.

272 Contoh 17

1

visperc kubus lozenges ayat kalimat wordmean

err_v err_c err_l err_p err_s err_w

spasial

lisan

Contoh 17, Model Analisis Faktor dengan data yang hilang Holzinger dan Swineford (1939): Girls 'sampel Model Spesifikasi

Setelah menentukan file data yang akan Grant_x.sav dan menggambar diagram jalur di atas:

E Dari menu, pilih View → Analisis Properties. E Dalam Analisis kotak dialog Properties, klik tab Estimasi. E Pilih Perkirakan sarana dan penyadapan (tanda centang di samping itu).

Ini akan memberi Anda perkiraan intercept di masing-masing persamaan regresi untuk memprediksi enam variabel yang diukur. Maksimum kemungkinan estimasi dengan nilai-nilai yang hilang hanya bekerja ketika Anda memperkirakan sarana dan penyadapan, sehingga Anda harus memperkirakan mereka bahkan jika Anda tidak tertarik dalam perkiraan.

Model jenuh dan Kemerdekaan

Komputasi beberapa tindakan fit memerlukan pas model jenuh dan kemandirian di samping model Anda. Ini tidak pernah masalah dengan data yang lengkap, tapi pas model ini dapat memerlukan perhitungan luas ketika ada yang hilang nilai. Model jenuh sangat bermasalah. Dengan variabel yang diamati p, model jenuh memiliki p × (p + 3) / 2 parameter. Misalnya, dengan 10 variabel yang diamati, ada 65 parameter, dengan 20 variabel, ada 230 parameter, dengan 40 variabel, ada 860 parameter, dan sebagainya. Ini mungkin tidak praktis agar sesuai dengan model jenuh karena

273 Hilang data

sejumlah besar parameter. Selain itu, beberapa pola nilai data yang hilang dapat membuat tidak mungkin pada prinsipnya dapat sesuai dengan model jenuh bahkan jika itu adalah mungkin untuk menyesuaikan model Anda. Dengan data yang tidak lengkap, Amos Graphics mencoba agar sesuai dengan model jenuh dan kemandirian di samping model Anda. Jika Amos gagal agar sesuai dengan model kemerdekaan, kemudian sesuai tindakan yang bergantung pada fit dari model kemerdekaan, seperti CFI, tidak dapat dihitung. Jika Amos tidak dapat cocok dengan model jenuh, yang biasa statistik chi-kuadrat tidak dapat dihitung.

Hasil Analisis

Teks Keluaran

Untuk contoh ini, Amos berhasil pas baik jenuh dan model kemerdekaan. Akibatnya, semua langkah fit, termasuk statistik chi-square, dilaporkan. Untuk melihat langkah-langkah fit:

E Klik Model Fit dalam diagram pohon di sudut kiri atas jendela Output Amos.

Berikut ini adalah bagian dari output yang menunjukkan statistik chi-square untuk model faktor analisis (disebut Model Default), model jenuh, dan model kemerdekaan:

CMIN

Model Standar Model Jenuh Model Independence Model NPAR 19 27 6 CMIN 11,547 .000 117,707 DF 8 0 21 P .173 .000 CMIN / DF 1,443 5,605

Nilai chi-square 11,547 tidak jauh berbeda dari nilai 7,853 diperoleh pada Contoh 8 dengan dataset lengkap. Dalam kedua analisis, nilai p berada di atas 0,05. Estimasi parameter, standar error, dan rasio kritis memiliki interpretasi yang sama seperti pada analisis data yang lengkap.

274 Contoh 17

Regresi Bobot: (Group nomor 1 - Model Default)

visperc <--- kubus spasial <--- lozenges spasial <--- paragrap spasial <--- kalimat lisan <--- lisan wordmean <--- lisan Perkiraan SE CR 1,000 .511 .153 3,347 1,047 .316 3,317 1,000 1,259 .194 6,505 2,140 .326 6,572 CR 31,632 46,603 13,372 17,146 23,495 29,646 P ****************** P *** ********* Label Label

Intersep: (Group nomor 1 - Model Default)

visperc batu belah ketupat wordmean paragrap kalimat Perkiraan SE 28,885 .913 24,998 .536 15,153 1,133 18,097 1,055 10,987 .468 18,864 .636

Covariances: (Group nomor 1 - Model Default)

lisan <-> Perkiraan spasial S.E. CR P 7,993 3,211 2,490 .013 P 0,011 *** .028 .003 .002 .027 .001 *** Label

Varians: (Group nomor 1 - Model Default)

spasial lisan err_v err_c err_l err_p err_s err_w Perkiraan SE CR 29,563 11,600 2,549 10,814 2,743 3,943 18,776 8,518 2,204 8,034 2,669 3,011 36,625 11,662 3,141 2,825 1,277 2,212 7,875 2,403 3,277 22,677 6,883 3,295 Label

Perkiraan Standar dan beberapa squared korelasi adalah sebagai berikut:

Standar Regresi Bobot: (nomor 1 Model default Group)

visperc <- kubus <- lozenges <- paragrap <- kalimat <- wordmean <- spasial spasial spasial lisan Perkiraan lisan lisan .782 .700 .685 .890 .828 .828

Korelasi: (Group nomor 1 - Model Default)

lisan <-> spasial Perkiraan 0,447

Squared Beberapa Korelasi: (nomor 1 Model default Group)

wordmean kalimat paragrap lozenges batu Perkiraan visperc .686 .685 .793 .469 .490 .612

275 data Hilang

Keluaran Graphics

Berikut adalah diagram jalur menunjukkan perkiraan standar dan beberapa squared korelasi untuk variabel endogen:

Chi square = 11,547 df = 8 p = 0,173

.61 .78

visperc

.49

err_v err_c

.70

kubus

.47

.69 .45 .89

lozenges

.79

err_l err_p err_s err_w

ayat

.69

.83

kalimat

wordmean

Contoh 17 Faktor analisis data yang hilang Holzinger dan Swineford (1939): sampel estimasi Standar Girls '

Estimasi parameter standar dapat dibandingkan dengan yang diperoleh dari data lengkap dalam Contoh 8. Dua set perkiraan adalah identik dalam tempat desimal pertama.

Modeling di VB.NET

Ketika Anda menulis program Amos untuk menganalisa data yang tidak lengkap, Amos tidak secara otomatis sesuai dengan kemandirian dan model jenuh. (Amos Graphics tidak cocok model-model otomatis.) Jika Anda ingin program Amos Anda agar sesuai dengan model kemandirian dan jenuh, program Anda harus menyertakan kode untuk menentukan model-model. Secara khusus, dalam rangka untuk program untuk menghitung biasa rasio kemungkinan statistik chi-square, program Anda harus menyertakan kode agar sesuai dengan model jenuh.

276 Contoh 17

Bagian ini menguraikan tiga langkah yang diperlukan untuk menghitung rasio kemungkinan

chisquare statistik:

?? Pemasangan faktor model? Pemasangan model jenuh? Menghitung rasio kemungkinan statistik chi-kuadrat dan nilai p nya

Pertama, tiga langkah yang dilakukan oleh tiga program terpisah. Setelah itu, tiga langkah akan digabungkan menjadi satu program.

Pas Factor Model (Model A)

Program berikut sesuai dengan model faktor konfirmatori (Model A). Hal ini disimpan sebagai EX17-a.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.Title ("Contoh 17 a: Faktor Model") Sem.TextOutput () Sem.Standardized () Sem.Smc () Sem.AllImpliedMoments () Sem.ModelMeansAndIntercepts () Sem. BeginGroup (Sem.AmosDir & "Contoh \ Grant_x.sav") Sem.AStructure ("visperc = () + (1) + spasial (1) err_v") Sem.AStructure ("kubus = () + spasial + (1) err_c ") Sem.AStructure (" lozenges = () + spasial + (1) err_l ") Sem.AStructure (" paragrap = () + (1) + lisan (1) err_p ") Sem.AStructure (" kalimat = ( ) + lisan + (1) err_s ") Sem.AStructure (" wordmean = () + + lisan (1) err_w ") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Perhatikan bahwa metode ModelMeansAndIntercepts digunakan untuk menentukan bahwa sarana dan penyadapan adalah parameter dari model, dan bahwa masing-masing persamaan regresi enam berisi satu set kurung kosong mewakili intercept. Ketika Anda menganalisa data dengan nilai-nilai yang hilang, sarana dan penyadapan harus muncul dalam model sebagai parameter eksplisit. Hal ini berbeda dari analisis data yang lengkap, di mana berarti dan

277 Hilang data

penyadapan tidak harus muncul dalam model kecuali jika Anda ingin memperkirakan mereka atau membatasi mereka. Fit dari Model A diringkas sebagai berikut:

Fungsi log likelihood = 1375.133 Jumlah parameter = 19

Fungsi log nilai kemungkinan yang akan ditampilkan dari fit statistik chi-square yang Anda dapatkan dengan data lengkap. Selain itu, pada awal Ringkasan bagian model output teks, Amos menampilkan peringatan:

Model jenuh tidak dilengkapi dengan data dari setidaknya satu kelompok. Untuk alasan ini, hanya 'fungsi log likelihood', AIC dan BCC dilaporkan. Kemungkinan rasio statistik chi-square dan tindakan sesuai lainnya tidak dilaporkan.

Setiap kali Amos mencetak catatan ini, nilai-nilai dalam kolom cmin dari Ringkasan bagian model tidak mengandung statistik chi-square akrab fit. Untuk mengevaluasi fit dari model faktor, Fungsi nya log nilai kemungkinan harus dibandingkan dengan beberapa model baseline kurang dibatasi, seperti model jenuh.

Pas Model Jenuh (Model B)

Model jenuh memiliki banyak parameter bebas karena ada orde pertama dan kedua saat. Ketika data lengkap dianalisis, model jenuh selalu cocok dengan data sampel sempurna (dengan chi-square = 0,00 dan df = 0). Semua model persamaan struktural dengan enam variabel yang diamati sama yang baik setara dengan model jenuh atau dibatasi versi itu. Sebuah model jenuh akan cocok dengan data sampel setidaknya serta setiap model terbatas, dan Fungsinya log nilai kemungkinan akan ada yang lebih besar dan, biasanya, lebih kecil.

278 Contoh 17

Program berikut sesuai dengan model jenuh (Model B). Program ini disimpan sebagai EX17-b.vb.

Sub Main () Dim Jenuh Seperti Baru AmosEngine Coba 'Set up dan memperkirakan Jenuh Model: Saturated.Title ("Contoh 17 b: Jenuh Model") Saturated.TextOutput () Saturated.AllImpliedMoments () Saturated.ModelMeansAndIntercepts () Saturated.BeginGroup ( Saturated.AmosDir & "Contoh \ Grant_x.sav") Saturated.Mean ("visperc") Saturated.Mean ("kubus") Saturated.Mean ("lozenges") Saturated.Mean ("paragrap") Saturated.Mean ("kalimat ") Saturated.Mean (" wordmean ") Saturated.FitModel () Akhirnya Saturated.Dispose () End Try End Sub

Mengikuti garis BeginGroup, ada enam penggunaan metode Mean, meminta perkiraan sarana untuk enam variabel. Ketika Amos memperkirakan kemampuan mereka, maka secara otomatis akan memperkirakan varians dan covariances mereka juga, asalkan program tidak secara eksplisit membatasi varians

dan covariances.

279 data Hilang

Berikut ini adalah estimasi parameter unstandardixed untuk jenuh Model B:

Berarti: (Group nomor 1 - Model 1) Perkiraan S.E. CR 0,910 31,756 28,883 0,540 46,592 visperc kubus 25,154 lozenges 14,962 1,101 13,591 .466 23,572 10,976 0,632 29,730 paragrap kalimat 18,802 18,263 1,061 17,211 wordmean P ****************** Label

Covariances: (Group nomor 1 - Model 1) Perkiraan SE CR 17,484 4,614 3,789 visperc <-> kubus visperc <-> lozenges 31,173 9,232 3,377 kubus <-> lozenges 17,036 5,459 3,121 8,453 3,705 2,281 visperc <-> paragrap 2,739 2,179 1,257 kubus <-> paragrap 9,287 4,596 2,021 lozenges <-> paragrap visperc <-> kalimat 14,382 5,114 2,813 1,678 2,929 .573 kubus <-> lozenges kalimat <-> kalimat 10,544 6,050 1,743 paragrap <-> kalimat 13,470 2,945 4,574 visperc <-> wordmean 14,665 8,314 1,764 0,713 kubus <-> wordmean 3.470 4,870 lozenges <-> wordmean 29,655 10,574 2,804 paragrap <-> wordmean 23,616 5,010 4,714 kalimat <-> wordmean 29,577 6,650 4,447

P ****** .002 .023 .209 .043 .005 .567 .081 *** 0,078 0,476 0,005 ******

Label

Varians: (Group nomor 1 - Model 1) Perkiraan SE CR P Label visperc 49,584 9,398 5,276 *** 3,228 5,106 16,484 kubus *** lozenges 67,901 13,404 5,066 *** 2,515 5,396 13,570 paragrap *** kalimat 25,007 4,629 5,402 *** wordmean 73,974 13,221 5,595 ***

280 Contoh 17

Metode AllImpliedMoments dalam program menampilkan tabel berikut estimasi:

Tersirat (untuk semua variabel) covariances (Kelompok nomor 1 - Model 1) wordmean kalimat paragrap lozenges kubus wordmean 73,974 29,577 25,007 kalimat paragrap 23,616 13,470 13,570 lozenges 29,655 10,544 9,287 67,901 1,678 2,739 kubus 3.470 17,036 16,484 14,665 14,382 8,453 visperc 31,173 17,484 visperc

49,584

Tersirat (untuk semua variabel) Sarana (Kelompok nomor 1 - Model 1) wordmean kalimat paragrap lozenges batu 18,263 18,802 10,976 14,962 25,154

visperc 28,883

Perkiraan ini, bahkan diperkirakan berarti, berbeda dari sampel nilai dihitung dengan menggunakan metode penghapusan baik berpasangan atau listwise. Misalnya, 53 orang mengambil tes persepsi visual (visperc). Sampel berarti dari mereka 53 skor visperc adalah 28,245. Orang mungkin mengharapkan Amos perkiraan skor persepsi visual berarti menjadi 28,245. Bahkan itu adalah 28,883. Amos menampilkan informasi berikut cocok untuk Model B:

Fungsi log likelihood = 1363.586 Jumlah parameter = 27

Fungsi nilai log kemungkinan dapat digunakan untuk membandingkan fit dari model bersarang. Dalam hal ini, Model A (dengan statistik fit dari 1.375,133 dan 19 parameter) yang bersarang dalam Model B (dengan statistik fit dari 1.363,586 dan 27 parameter). Ketika model kuat (Model A) sedang dibandingkan dengan model yang lebih lemah (Model B), dan di mana model yang kuat benar, Anda dapat mengatakan sebagai berikut: Jumlah dimana Fungsi log kemungkinan meningkat ketika Anda beralih dari lemah Model dengan model yang lebih kuat adalah pengamatan pada variabel acak chi-kuadrat dengan derajat kebebasan sama dengan perbedaan jumlah parameter dari dua model. Dalam contoh ini, Fungsi log kemungkinan untuk Model A melebihi untuk Model B dengan 11,547 (= 1375,133-1363,586). Pada saat yang sama, Model A memerlukan memperkirakan hanya 19 parameter sedangkan Model B membutuhkan estimasi 27 parameter, untuk perbedaan 8. Dengan kata lain, jika Model A benar, 11,547 adalah pengamatan pada variabel chi-square dengan 8 derajat kebebasan. Sebuah tabel chi-square dapat dikonsultasikan untuk melihat apakah ini chisquare statistik adalah signifikan.

281 Hilang data

Menghitung Kemungkinan Ratio Chi-Square Statistik dan P

Alih-alih konsultasi tabel chi-square, Anda dapat menggunakan metode ChiSquareProbability untuk menemukan probabilitas bahwa nilai chi-square sebesar 11,547 akan terjadi dengan model faktor yang benar. Program berikut menunjukkan bagaimana metode ChiSquareProbability digunakan. Program ini disimpan sebagai EX17-c.vb.

Sub Main () Dim Chi Square As Double, P Sebagai Df Dim ganda As Integer Chi Square = 1.375,133-1.363,586 'Selisih fungsi log-likelihood Df = 27-19' Selisih no. parameter P = AmosEngine.ChiSquareProbability (Chi Square, CDbl (Df)) Debug.WriteLine ("Fit dari model faktor:") Debug.WriteLine ("Chi square =" & ChiSquare.ToString ("#, # # 0.000")) Debug.WriteLine ("DF =" & Df) Debug.WriteLine ("P =" & P.ToString ("0.000")) End Sub

Output program ditampilkan dalam panel keluaran Debug program editor.

282 Contoh 17

P nilai 0,173, karena itu, kita menerima hipotesis bahwa Model A benar pada tingkat 0,05. Sebagai contoh ini menggambarkan, dalam rangka untuk menguji model dengan data yang tidak lengkap, Anda harus membandingkan cocok dengan yang ada, model lain alternatif. Dalam contoh ini, kita ingin menguji model A, dan itu perlu juga untuk menyesuaikan Model B sebagai standar yang Model A dapat dibandingkan. Model alternatif harus memenuhi dua persyaratan. Pertama, Anda harus yakin bahwa itu benar. Model B pasti memenuhi kriteria ini, karena tempat tidak ada kendala pada saat-saat tersirat, dan tidak bisa salah. Kedua, harus lebih umum daripada model yang Anda ingin menguji. Model apapun yang dapat diperoleh dengan menghapus beberapa kendala pada parameter dari model yang diuji akan memenuhi kriteria kedua ini. Jika Anda mengalami kesulitan memikirkan model alternatif, Anda dapat selalu menggunakan model jenuh, seperti yang dilakukan di sini.

Pertunjukan Semua Langkah dengan Satu Program

Hal ini dimungkinkan untuk menulis satu program yang sesuai baik model (model faktor dan model jenuh) dan kemudian menghitung statistik chi-square dan nilai p nya. Program dalam EX17-all.vb menunjukkan bagaimana hal ini dapat dilakukan.

18

Lebih tentang Data Hilang

Contoh ini menunjukkan analisis data di mana beberapa nilai yang hilang dengan desain dan kemudian mengeksplorasi manfaat sengaja mengumpulkan data yang tidak lengkap.

Hilang data

Para peneliti tidak biasanya seperti data yang hilang. Mereka biasanya berhati-hati untuk menghindari kesenjangan ini sebisa mungkin. Tapi kadang-kadang sebenarnya lebih baik untuk tidak mengamati setiap variabel pada setiap kesempatan. Matthai (1951) dan Lord (1955) menggambarkan desain di mana nilai data tertentu sengaja tidak diamati. Prinsip dasar yang digunakan dalam desain tersebut adalah bahwa, ketika tidak mungkin atau terlalu mahal untuk mendapatkan pengamatan yang cukup pada variabel, memperkirakan dengan peningkatan akurasi dapat diperoleh dengan mengambil pengamatan tambahan pada variabel berkorelasi lainnya. Desain tersebut dapat sangat berguna, tetapi karena kesulitan komputasi, mereka belum pernah dipekerjakan kecuali dalam situasi yang sangat sederhana. Contoh ini menggambarkan hanya salah satu dari banyak kemungkinan desain di mana beberapa data sengaja tidak dikumpulkan. Metode analisis yang digunakan adalah sama seperti pada Contoh 17.

283

284 Contoh 18

Untuk contoh ini, data Attig (diperkenalkan dalam Contoh 1) dimodifikasi dengan menghilangkan beberapa nilai data dan memperlakukan mereka sebagai hilang. Sebagian dari file data yang dimodifikasi untuk orang-orang muda, Atty_mis.sav, ditunjukkan di bawah ini seperti yang muncul dalam SPSS Data Statistik Editor. File ini berisi sejumlah 40 kaula muda Attig pada dua kosakata tes v_short dan vocab. Variabel vocab adalah skor kosakata WAIS. V_short adalah skor pada subset kecil item pada tes kosa kata WAIS. Skor vocab dihapus untuk 30 mata pelajaran dipilih secara acak.

Sebuah file data yang kedua, Atto_mis.sav, mengandung nilai tes kosakata untuk mata pelajaran berusia 40, lagi dengan 30 diambil secara acak vocab skor dihapus.

285 Lebih tentang Data Hilang

Tentu saja, tidak ada yang masuk akal menghapus data orang yang telah dikumpulkan. Agar contoh ini masuk akal, bayangkan pola data yang hilang timbul dalam situasi berikut. Misalkan vocab adalah yang terbaik tes kosakata Anda tahu. Hal ini sangat handal dan valid, dan itu adalah tes kosakata yang ingin Anda gunakan. Sayangnya, ini adalah tes yang mahal untuk mengelola. Mungkin dibutuhkan waktu yang lama untuk memberikan tes, mungkin itu harus diberikan secara individual, atau mungkin itu harus dicetak oleh orang yang sangat terlatih. V_short tidak sebagus tes kosa kata, tapi pendek, murah, dan mudah untuk mengelola sejumlah besar orang sekaligus. Anda mengelola tes murah, v_short, 40 kaula muda dan tua 40. Kemudian Anda secara acak memilih 10 orang dari masing-masing kelompok dan meminta mereka untuk mengikuti tes mahal, vocab. Misalkan tujuan penelitian ini adalah untuk:

Perkirakan rata-rata nilai tes vocab dalam populasi kaum muda. Perkirakan rata-rata vocab dalam populasi orang tua. Ujilah hipotesis bahwa orang-orang muda dan orang tua memiliki rata-rata yang sama vocab

skor. Dalam skenario ini, Anda tidak tertarik pada skor v_short rata. Namun, seperti yang akan ditunjukkan di bawah, skor v_short masih berguna karena mengandung informasi yang dapat digunakan untuk memperkirakan dan menguji hipotesis tentang nilai vocab. Kenyataan bahwa nilai-nilai yang hilang yang hilang dengan desain tidak mempengaruhi metode analisis. Dua model akan dilengkapi dengan data. Dalam kedua model, cara, varians, dan kovarians antara kedua tes kosakata akan diperkirakan untuk orang-orang muda dan juga untuk orang tua. Dalam Model A, tidak akan ada kendala yang memerlukan estimasi parameter harus sama di seluruh kelompok. Dalam Model B, vocab akan diminta untuk memiliki mean yang sama pada kedua kelompok.

Model A

Untuk memperkirakan berarti, varians, dan kovarians antara vocab dan v_short, mendirikan model dua kelompok untuk kelompok muda dan tua.

E Gambarkan diagram jalur di mana vocab dan v_short muncul sebagai dua persegi panjang yang terhubung

oleh panah berkepala dua.

E Dari menu, pilih View → Analisis Properties.

286 Contoh 18

E Pilih Perkirakan sarana dan penyadapan (tanda centang di samping itu). E Sedangkan Analisis kotak dialog Properties terbuka, klik tab Output. E Pilih perkiraan Standar dan rasio Kritis untuk perbedaan.

Karena contoh ini berfokus pada perbedaan kelompok di rata-rata vocab, akan berguna untuk memiliki nama untuk mean dari kelompok muda dan rata-rata dari kelompok lama.

Untuk memberi nama rerata vocab dalam kelompok muda:

E Klik kanan persegi panjang vocab dalam diagram jalur untuk kelompok muda. E Pilih Object Properties dari menu pop-up. E Pada kotak dialog Obyek Properties, klik tab Parameter. E Masukkan nama, seperti m1_yng, dalam kotak teks mean. E Ikuti prosedur yang sama untuk kelompok tua. Pastikan untuk memberikan rata-rata dari kelompok lama

nama yang unik, seperti m1_old. Penamaan berarti tidak membatasi mereka selama setiap nama unik. Setelah sarana yang bernama, kedua kelompok harus memiliki diagram jalan yang terlihat seperti ini:

m1_yng, m1_old,

vocab

v_short

Contoh 18: Model A data yang tidak lengkap diamati. Attig (1983) muda subyek Model Spesifikasi

Attig (1983) lama subyek Model Spesifikasi

287 Lebih tentang Data Hilang

Hasil untuk Model A

Keluaran Graphics

Berikut adalah diagram jalur dua berisi cara, varians, dan covariances untuk para kaula muda dan tua masing:

56.89, 83.32 7,95, 15,35 65,00, 115.06 10.03, 10.77

32,92

31.54

Attig (1983) kaula muda unstandardixed perkiraan

Attig (1983) mata pelajaran tua unstandardixed perkiraan

Teks Keluaran

E Pada jendela Output Amos, klik Catatan untuk Model di sebelah kiri atas.

Output teks menunjukkan bahwa Model A jenuh, sehingga model tersebut tidak dapat diuji.

Jumlah momen sampel yang berbeda: Jumlah parameter yang berbeda yang akan diestimasi: derajat kebebasan (10 - 10): 10 10 0

288 Contoh 18

Estimasi parameter dan kesalahan standar untuk kaula muda adalah:

Berarti: (kaula muda - Model Default)

vocab v_short Perkirakan 56,891 7,950 S.E.

1,765 0,627 Perkiraan 32,916 32,232 12,673 CR SE 8,694 P ****** Label m1_yng par_4 P *** Label par_3

Covariances: (kaula muda - Model Default)

vocab <-> v_short C.R. 3,786

Korelasi: (kaula muda - Model Default)

vocab <-> v_short Perkiraan 0,920 S.E. 25,639 3,476 CR P 3.250 .001 4,416 *** Label par_7 par_8

Varians: (kaula muda - Model Default)

vocab v_short Perkiraan 83,320 15,347

Estimasi parameter dan kesalahan standar untuk mata pelajaran tua:

Berarti: (subyek lama - Model Default)

vocab v_short Perkirakan 65,001 10,025 S.E. 2,167 0,526 Perkiraan 31,545 29,992 19,073 CR SE 8.725 P ****** Label m1_old par_6 P *** Label par_5

Covariances: (subyek lama - Model Default)

vocab <-> v_short C.R. 3,616

Korelasi: (subyek lama - Model Default)

vocab <-> v_short Perkiraan 0,896 S.E. 37,463 2,440 CR P 3,071 .002 4,416 *** Label par_9 par_10

Varians: (subyek lama - Model Default)

vocab v_short Perkiraan 115,063 10,774

Perkiraan untuk rata-rata vocab adalah 56,891 pada populasi muda dan 65,001 pada populasi tua.

Perhatikan bahwa ini tidak sama dengan cara sampel yang seharusnya diperoleh dari 10 anak dan 10 mata pelajaran tua yang mengambil tes kosakata. Sampel berarti dari 58,5 dan 62 merupakan perkiraan yang baik dari populasi berarti (yang terbaik yang bisa didapatkan dari dua sampel dengan ukuran 10), namun perkiraan Amos (56,891 dan 65,001) memiliki keuntungan menggunakan informasi dalam skor v_short. Berapa banyak lebih akurat adalah perkiraan rata-rata yang mencakup informasi dalam skor v_short? Beberapa gagasan dapat diperoleh dengan melihat estimasi kesalahan standar. Untuk para kaula muda, kesalahan standar untuk 56,891 ditunjukkan di atas adalah sekitar 1,765, sedangkan standard error mean sampel, 58,5, sekitar 2.21. Untuk mata pelajaran yang lama, kesalahan standar untuk 65,001 adalah sekitar 2,167 sedangkan standard error mean sampel,

289 Lebih tentang Data Hilang

62, adalah sekitar 4,21. Meskipun kesalahan standar hanya disebutkan hanya perkiraan, mereka masih memberikan dasar untuk perbandingan kasar. Dalam kasus kaula muda, dengan menggunakan informasi yang terkandung dalam nilai v_short mengurangi standard error estimasi vocab maksud dengan sekitar 21%. Dalam kasus subyek tua, standard error berkurang sekitar 49%. Cara lain untuk mengevaluasi informasi tambahan yang dapat dikaitkan dengan skor v_short adalah dengan mengevaluasi persyaratan ukuran sampel. Misalkan Anda tidak menggunakan informasi dalam skor v_short. Berapa banyak peserta ujian yang lebih muda harus mengambil tes vocab untuk mengurangi standard error mean sebesar 21%? Demikian juga, berapa banyak peserta ujian yang lebih tua harus mengambil tes vocab untuk mengurangi standard error mean sebesar 49%? Jawabannya adalah bahwa, karena standard error dari mean berbanding terbalik dengan akar kuadrat dari ukuran sampel, maka diperlukan sekitar 1,6 kali lebih banyak kaula muda dan sekitar 3,8 kali lebih banyak subyek tua. Artinya, akan membutuhkan sekitar 16 kaula muda dan 38 subyek tua mengambil tes vocab, bukan 10 kaula muda dan berusia 10 mengambil kedua tes, dan 30 kaula muda dan berusia 30 mengambil tes singkat saja. Tentu saja, perhitungan ini memperlakukan estimasi standar error seolah-olah mereka kesalahan standar yang tepat, dan karena itu hanya memberikan gambaran kasar tentang berapa banyak yang diperoleh dengan menggunakan skor pada tes v_short. Apakah populasi muda dan tua memiliki skor yang berbeda vocab berarti? Perkiraan perbedaan rata-rata adalah 8,110 (65,001-56,891). Sebuah rasio penting untuk menguji perbedaan ini untuk signifikansi dapat ditemukan pada tabel berikut:

Rasio Kritis untuk Perbedaan antara Parameter (Model Default)

m1_yng m1_old par_3 par_4 par_5 par_6 par_7 par_8 par_9 par_10 m1_yng .000 2,901 -2,702 -36,269 -2,847 -25,448 1,028 -10,658 1,551 -15,314 m1_old .000 -3,581 -25,286 -3,722 -30,012 .712 -12,123 1,334 -16,616 par_3 par_4 par_5 par_6 par_7

.000 -2,864 - .111 -2,628 2,806 -2,934 2,136 -2,452

.000 2,697 2,535 2,939 2,095 2,859 1,121

.000 -2,462 1,912 -1,725 2,804 -3,023

.000 2,858 1,514 2,803 .300

.000 -2,877 0,699 -2,817

par_8 par_9 par_10 par_8 .000 2.650 -1,077 -2,884 par_9 .000 par_10

.000

290 Contoh 18

Dua baris pertama dan kolom, m1_yng label dan m1_old, lihat kelompok berarti dari tes kosakata. Rasio penting untuk perbedaan rata-rata adalah 2,901, yang menurutnya berarti berbeda secara signifikan pada tingkat 0,05, nilai populasi yang lebih tua lebih tinggi pada tes panjang daripada populasi yang lebih muda. Tes lain dari hipotesis kelompok vocab sama berarti dapat diperoleh dengan refitting model dengan kendala kesetaraan dikenakan pada dua cara. Kami akan melakukan itu selanjutnya.

Model B

Dalam Model B, vocab wajib memiliki mean yang sama bagi orang-orang muda untuk orang tua.

Ada dua cara untuk memaksakan kendala ini. Salah satu metode adalah untuk mengubah nama berarti. Dalam Model A, masing-masing rata-rata memiliki nama yang unik. Anda dapat mengubah nama dan memberikan masing-masing berarti nama yang sama. Ini akan memiliki efek yang membutuhkan perkiraan dua berarti harus sama. Sebuah metode yang berbeda menghambat berarti akan digunakan di sini. Nama berarti, m1_yng dan m1_old, akan ditinggalkan sendirian. Amos akan menggunakan Model Manajer yang sesuai baik Model A dan Model B dalam analisis tunggal. Untuk menggunakan pendekatan ini:

E Mulailah dengan Model A. E Dari menu, pilih Analyze → Manage Model. E Dalam Mengelola Model kotak dialog, jenis Model A dalam Nama Model kotak teks. E Biarkan kotak Kendala Parameter kosong.

291 Lebih tentang Data Hilang

E Untuk menentukan Model B, klik Baru. E Dalam Nama Model kotak teks, perubahan Nomor model 2 sampai Model B. E Type m1_old = m1_yng di Parameter Kendala kotak teks.

E Klik Tutup.

Sebuah diagram jalur yang sesuai baik Model A dan Model B disimpan dalam file EX18-b.amw.

Output dari Model A dan B

E Untuk melihat ukuran cocok untuk kedua Model A dan Model B, klik Model Fit dalam diagram pohon

di sebelah kiri atas dari jendela Output Amos. Bagian dari output yang berisi nilai chi-square yang ditampilkan di sini:

CMIN

Model Model A B Jenuh Model Independence Model Model NPAR 10 9 10 4 CMIN 0,000 7,849 .000 33,096 DF 0 1 0 6 P .005 .000 CMIN / DF 7,849 5,516

Jika Model B benar (yaitu, populasi muda dan tua yang sama berarti nilai vocab), maka 7,849 adalah pengamatan pada variabel acak yang memiliki distribusi chi-kuadrat dengan satu derajat kebebasan. Kemungkinan mendapatkan nilai sebesar 7,849 kebetulan kecil (p = 0,005), sehingga Model B ditolak. Dengan kata lain, kaula muda dan tua berbeda secara signifikan dalam mean skor vocab mereka.]

292 Contoh 18

Modeling di VB.NET

Model A

Program berikut cocok Model A. memperkirakan berarti, variasi, dan covariances dari kedua tes kosa kata dalam kedua kelompok mata pelajaran, tanpa kendala. Program ini disimpan sebagai EX18-a.vb.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Crdiff () Sem.ModelMeansAndIntercepts () Sem.BeginGroup (Sem.AmosDir & "Contoh \ atty_mis.sav") Sem.GroupName ("young_subjects") Sem mean ("vocab", "m1_yng") Sem.Mean ("v_short") Sem.BeginGroup (Sem.AmosDir & "Contoh \ atto_mis.sav"). Sem.GroupName ("old_subjects") Sem.Mean ("vocab" , "m1_old") Sem.Mean ("v_short") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Metode Crdiff menampilkan rasio penting untuk perbedaan parameter yang dibahas sebelumnya.

Untuk referensi nanti, perhatikan nilai Fungsi log kemungkinan untuk Model A.

Fungsi log likelihood = 429,963 Jumlah parameter = 10

293 Lebih tentang Data Hilang

Berikut ini adalah program untuk pemasangan Model B. Dalam program ini, nama parameter yang sama (mn_vocab) digunakan untuk vocab berarti dari kelompok muda untuk vocab berarti dari kelompok lama. Dengan cara ini, kelompok muda dan kelompok tua dituntut untuk memiliki kosakata yang sama berarti. Program ini disimpan sebagai EX18-b.vb.

mean ("vocab", "mn_vocab"). Sem.Mean ("v_short") Sem.BeginGroup (Sem.AmosDir & "Contoh \ atto_mis.sav") Sem.GroupName ("old_subjects") Sem.Mean ("vocab" , "mn_vocab") Sem.Mean ("v_short") Sem.FitModel () Akhirnya Sem.Dispose () End Try End Sub

Amos melaporkan fit dari model B sebagai:

Fungsi log likelihood = 437,813 Jumlah parameter = 9

Perbedaan ukuran kesesuaian antara Model B dan A adalah 7.85 (= 437,813-429,963), dan perbedaan dalam jumlah parameter adalah 1 (= 10-9). Ini adalah angka yang sama kami memperoleh sebelumnya dengan Amos Graphics.

Contoh

19

Bootstrap

Pengantar

Contoh ini menunjukkan bagaimana untuk mendapatkan kuat perkiraan standard error dengan metode bootstrap.

Metode Bootstrap

Bootstrap (Efron, 1982) adalah metode serbaguna untuk memperkirakan distribusi sampling dari estimasi parameter. Secara khusus, bootstrap dapat digunakan untuk menemukan perkiraan kesalahan standar. Seperti yang kita lihat dalam contoh sebelumnya, Amos otomatis menampilkan perkiraan kesalahan standar untuk parameter itu memperkirakan. Dalam menghitung perkiraan ini, Amos menggunakan formula yang bergantung pada asumsi p. 35. Bootstrap adalah pendekatan yang sama sekali berbeda untuk masalah memperkirakan kesalahan standar. Mengapa Anda ingin pendekatan lain? Untuk mulai dengan, Amos tidak memiliki formula untuk semua kesalahan standar yang Anda mungkin ingin, seperti kesalahan standar untuk beberapa squared korelasi.

Tidak tersedianya formula untuk kesalahan standar tidak pernah masalah dengan bootstrap, namun. Bootstrap dapat digunakan untuk menghasilkan standard error perkiraan untuk setiap memperkirakan bahwa Amos menghitung, apakah atau tidak formula untuk standard error diketahui. Bahkan ketika Amos memiliki formula untuk kesalahan standar, formula yang baik hanya di bawah asumsi p. Tidak hanya itu, tetapi formula bekerja hanya jika Anda menggunakan model yang benar. Standar kesalahan perkiraan tiba di oleh bootstrap tidak menderita keterbatasan ini.

295

296 Contoh 19

Bootstrap memiliki kekurangan sendiri, termasuk fakta bahwa hal itu dapat memerlukan sampel yang cukup besar. Bagi pembaca yang baru untuk bootstrap, kami merekomendasikan artikel Scientific American oleh Diaconis dan Efron (1983). Contoh ini menunjukkan bootstrap dengan model analisis faktor, tapi, tentu saja, Anda dapat menggunakan bootstrap dengan model apapun. Kebetulan, jangan lupa bahwa Amos dapat memecahkan masalah estimasi sederhana seperti yang ada di Contoh 1. Anda mungkin memilih untuk menggunakan Amos untuk masalah sederhana seperti hanya agar Anda dapat menggunakan kemampuan bootstrap Amos.

Tentang Data

Kami akan menggunakan Holzinger dan Swineford (1939) data, diperkenalkan dalam Contoh 8, untuk contoh ini. Data yang terkandung dalam Grnt_fem.sav berkas.

Sebuah Analisis Faktor Model

Jalur diagram untuk model ini (Ex19.amw) adalah sama seperti pada Contoh 8.

1

visperc kubus lozenges

err_v err_c err_l

spasial

ayat kalimat wordmean

err_p err_s err_w

lisan

Contoh 19: Bootstrap Holzinger dan Swineford (1939) Girls 'sampel Model Spesifikasi

E Untuk meminta 500 bootstrap ulangan, dari menu, pilih View → Analisis Properties.

297 Bootstrap

E Klik tab Bootstrap. E Pilih Lakukan bootstrap. E Ketik 500 di Jumlah sampel bootstrap kotak teks.

Pemantauan Kemajuan Bootstrap yang

Anda dapat memonitor perkembangan dari algoritma bootstrap dengan menonton panel ringkasan Perhitungan di kiri diagram jalur.

Hasil Analisis

Model fit, tentu saja, sama seperti dalam Contoh 8.

Chi-square = 7,853 Derajat kebebasan = 8 tingkat Probabilitas = 0,448

Estimasi parameter juga sama seperti pada Contoh 8. Namun, kami sekarang ingin melihat standard error memperkirakan didasarkan pada teori kemungkinan maksimum, sehingga kita dapat membandingkan mereka untuk kesalahan standar yang diperoleh dari bootstrap.

Di sini, kemudian, adalah perkiraan kemungkinan maksimum parameter dan kesalahan standar mereka:

298 Contoh 19

Regresi Bobot: (Group nomor 1 - Model Default)

visperc <--- kubus spasial <--- lozenges spasial <--- paragrap spasial <--- kalimat lisan <--- lisan wordmean <--- lisan Perkiraan SE CR 1,000 .610 .143 4,250 1,198 .272 4,405 1,000 1,334 .160 8,322 2,234 .263 8,482 P ************ Label

Standar Regresi Bobot: (nomor 1 Model default Group)

visperc <- kubus <- lozenges <- paragrap <- kalimat <- wordmean <- spasial spasial spasial lisan Perkiraan lisan lisan .703 .654 .736 .880 .827 .841

Covariances: (Group nomor 1 - Model Default)

spasial <-> Perkiraan lisan S.E. C.R. P 7,315 2,571 2,846 .004 Label

Korelasi: (Group nomor 1 - Model Default)

spasial <-> Perkiraan lisan 0,487

Varians: (Group nomor 1 - Model Default)

spasial lisan err_v err_c err_l err_p err_s err_w Perkiraan SE CR P 23,302 8,123 2,868 .004 9,682 2,159 4,485 *** 5,986 3,988 23,873 11,602 2,584 4,490 *** *** 28,275 7,892 3,583 *** 2,834 .868 3,263 .001 7,967 1,869 4,263 *** 4,951 19,925 4,024 *** Label

Squared Beberapa Korelasi: (nomor 1 Model default Group)

wordmean kalimat paragrap lozenges batu Perkiraan visperc .708 .684 .774 .542 .428 .494

299 Bootstrap

Output bootstrap dimulai dengan meja informasi diagnostik yang mirip dengan berikut:

0 sampel bootstrap yang tidak terpakai karena kovarians matriks singular. 0 sampel bootstrap yang tidak terpakai karena solusi tidak ditemukan. 500 sampel bootstrap digunakan diperoleh.

Ada kemungkinan bahwa satu atau lebih sampel bootstrap akan memiliki kovarians matriks singular, atau bahwa Amos akan gagal untuk menemukan solusi untuk beberapa sampel bootstrap. Jika ada sampel tersebut terjadi, Amos melaporkan terjadinya mereka dan menghilangkan mereka dari analisis bootstrap. Dalam contoh ini, tidak ada sampel bootstrap memiliki kovarians matriks singular, dan solusi ditemukan untuk masing-masing sampel bootstrap 500. Perkiraan bootstrap kesalahan standar adalah:

300 Contoh 19

Perkiraan skalar (Kelompok nomor 1 - Model Default) Berat Regresi: (Group nomor 1 - Model Default)

Parameter SE SE-SE Berarti Bias visperc <--- spasial .000 .000 1.000 .000 kubus <--- spasial 0,140 0,004 0,609-0,001 lozenges <--- spasial 0,373 0,012 1,216 0,018 paragrap < --- lisan .000 .000 1.000 .000 kalimat <--- lisan 0,176 0,006 1.345 0,011 wordmean <--- lisan 0,254 .008 2,246 0,011 SE-Bias .000 .006 .017 .000 .008 .011

Parameter SE SE-SE Berarti visperc <--- spasial 0,123 0,004 0,709 kubus <--- spasial .101 .003 0,646 lozenges <--- spasial 0,121 0,004 0,719 paragrap <--- lisan 0,047 .001 0,876 kalimat <--- lisan 0,042 .001 0,826 wordmean <--- lisan 0,050 .002 0,841 Bias 0,006-0,008 - 0,017-0,004 0,000-0,001 SE-Bias .005 .005 .005 .002 .002 .002

Parameter SE SE-SE Berarti Bias spasial <-> lisan 2,393 0,076 7,241-0,074 SE-Bias .107

Parameter SE SE-SE Berarti Bias spasial <-> lisan 0,132 0,004 0,495 .008 SE-Bias 0,006

Parameter spasial lisan err_v err_c err_l err_p err_s err_w SE SE-SE Berarti Bias 9,086 0,287

23,905 0,603 2,077 0,066 9,518-0,164 9,166 0,290 22,393 -1,480 3,195 0,101 11,191-,411 9,940 0,314 27,797-,478 0,878 0,028 2,772-0,062 1,446 0,046 7,597-0,370 5,488 0,174 19,123-,803 SE-Bias .406 .093 .410 .143 .445 .039 .065 .245

Parameter wordmean kalimat paragrap lozenges batu visperc SE SE-SE Berarti Bias 0,083 .003 0,709 .001 0,069 .002 0,685 .001 0,081 .003 0,770-0,004 0,172 0,005 0,532-0,010 0,127. 004 .428 .000 .182 .006 .517 .023 SE-Bias .004 .003 .004 .008 .006 .008

301 Bootstrap

?? Kolom pertama, berlabel SE, berisi perkiraan bootstrap kesalahan standar.

Perkiraan ini dapat dibandingkan dengan perkiraan standard error memperkirakan diperoleh kemungkinan maksimum.

Kolom kedua, berlabel SE-SE, memberikan standard error perkiraan untuk

standard error bootstrap memperkirakan sendiri.

Kolom berlabel Berarti merupakan rata-rata estimasi parameter dihitung

seluruh sampel bootstrap. Ini berarti bootstrap tidak selalu identik dengan perkiraan semula.

Kolom berlabel Bias memberikan perbedaan antara perkiraan asli dan

rerata estimasi seluruh sampel bootstrap. Jika estimasi rata-rata seluruh sampel bootstrapped lebih tinggi dari perkiraan semula, maka Bias akan positif.

Kolom terakhir, berlabel SE-Bias, memberikan standard error perkiraan untuk bias

memperkirakan.

Program berikut (Ex19.vb) sesuai dengan model Contoh 19 dan melakukan bootstrap dengan

500 sampel bootstrap. Program ini adalah sama seperti pada Contoh 8, tetapi dengan garis Bootstrap tambahan.

Sub Main () Dim Sem Seperti Baru AmosEngine Coba Sem.TextOutput () Sem.Bootstrap (500) Sem.Standardized () Sem.Smc () Sem.BeginGroup (Sem.AmosDir & "Contoh \ Grnt_fem.sav") Sem.AStructure ("visperc = (1) spasial + (1) err_v") Sem.AStructure ("kubus = spasial + (1) err_c") Sem.AStructure ("lozenges = spasial + (1) err_l") Sem.AStructure (" paragrap = (1) lisan + (1) err_p ") Sem.AStructure (" kalimat = lisan + (1) err_s ") Sem.AStructure (" wordmean = lisan + (1) err_w ") Sem.FitModel () Akhirnya Sem . Buang () End Try End Sub

Garis Sem.Bootstrap (500) permintaan standar kesalahan bootstrap berdasarkan 500 sampel bootstrap.

20

Bootstrap untuk Model Perbandingan

Contoh ini menunjukkan penggunaan bootstrap untuk model perbandingan.

Pendekatan bootstrap untuk Model Perbandingan

Masalah ditangani dengan metode ini adalah tidak mengevaluasi model individual secara absolut tetapi memilih di antara dua atau lebih model bersaing. Bollen dan Stine (1992), Bollen (1982), dan Stine (1989) mengemukakan kemungkinan menggunakan bootstrap untuk pemilihan model dalam analisis struktur saat. Linhart dan Zucchini (1986) menggambarkan skema umum untuk bootstrap dan pemilihan model yang sesuai untuk kelas besar model, termasuk model struktural. The Linhart dan Zucchini pendekatan bekerja di sini. Pendekatan bootstrap untuk perbandingan model dapat diringkas sebagai berikut:

Menghasilkan beberapa sampel bootstrap dengan sampling dengan penggantian dari

sampel asli. Dengan kata lain, sampel asli berfungsi sebagai penduduk untuk tujuan pengambilan sampel bootstrap.

Fit setiap model bersaing untuk setiap sampel bootstrap. Setelah analisis masing-masing,

menghitung perbedaan antara saat-saat tersirat diperoleh dari sampel bootstrap dan saat-saat penduduk bootstrap.

Menghitung rata-rata (di seberang sampel bootstrap) dari perbedaan untuk masing-masing

Model dari langkah sebelumnya.

Pilih model yang perbedaan rata-rata terkecil.

303

304 Contoh 20

Contoh ini menggunakan data pria dan wanita gabungan dari Grant-Putih sampel sekolah tinggi Holzinger dan Swineford (1939) studi, sebelumnya dibahas dalam Contoh 8, 12, 15, 17, dan 19. 145 pengamatan gabungan diberikan dalam Grant.sav berkas.

Lima Model

Model pengukuran Lima akan dilengkapi dengan enam tes psikologi. Model 1 adalah model analisis faktor dengan satu faktor.

visperc kubus lozenges F1 ayat kalimat wordmean

1 1

e_v e_c e_l e_p e_s e_w

Contoh 20: Model 1 Satu-model faktor Holzinger dan Swineford (1939) Data Model Spesifikasi

305 Bootstrap untuk Model Perbandingan

Model 2 adalah analisis faktor terbatas dengan dua faktor. Perhatikan bahwa memperbaiki dua dari bobot regresi sebesar 0 tidak membatasi model tetapi hanya melayani untuk membuat model diidentifikasi (Anderson, 1984; Bollen dan Joreskog,

1985; Joreskog, 1979).

visperc F1

1

0

kubus lozenges ayat

F2

kalimat

wordmean

Contoh 20: Model 2 Dua faktor dibatasi Holzinger dan Swineford (1939) Data Model Spesifikasi

Model 2R adalah model analisis faktor dibatasi dengan dua faktor, di mana tiga tes tergantung pada hanya salah satu faktor sementara tiga tes yang tersisa hanya tergantung pada faktor lainnya.

kalimat wordmean

Contoh 20: 2R Model Dibatasi dua model faktor Holzinger dan Swineford (1939) Data Model Spesifikasi

306 Contoh 20

Sisa dua model memberikan titik adat acuan untuk mengevaluasi fit dari model-model sebelumnya. Dalam model jenuh, varians dan covariances dari variabel yang diamati dibatasi.

visperc kubus lozenges ayat kalimat wordmean Contoh 20: Model Varian jenuh dan covariances Holzinger dan Swineford (1939) Data Model Spesifikasi

Dalam model kemerdekaan, varians dari variabel yang diamati dibatasi dan covariances mereka

dituntut untuk 0.

visperc kubus lozenges ayat kalimat wordmean Contoh 20: Independence Model Hanya varians diperkirakan Holzinger dan Swineford (1939) Data Model Spesifikasi

307 Bootstrap untuk Model Perbandingan

Anda biasanya tidak akan sesuai dengan model jenuh dan kemandirian secara terpisah, karena Amos otomatis melaporkan tindakan cocok untuk kedua model dalam perjalanan setiap analisis. Namun, perlu untuk menentukan secara eksplisit model jenuh dan kemandirian dalam rangka untuk mendapatkan hasil bootstrap untuk model-model. Lima analisis bootstrap terpisah harus dilakukan, satu untuk masing-masing model. Untuk setiap lima analisis:

E Dari menu, pilih View → Analisis Properties. E Dalam Analisis kotak dialog Properties, klik tab Bootstrap. E Pilih Lakukan bootstrap (tanda centang di samping itu). E Ketik 1000 di Jumlah sampel bootstrap kotak teks.

E Klik Random # tab dan masukkan nilai Benih untuk nomor acak.

Tidak peduli apa benih yang Anda pilih, tetapi dalam rangka untuk menarik set yang sama persis sampel pada beberapa sesi Amos, jumlah benih yang sama harus diberikan setiap kali. Untuk contoh ini, kami menggunakan benih 3.

Kadang-kadang, sampel bootstrap ditemui dimana algoritma minimisasi tidak bertemu. Untuk menjaga agar waktu perhitungan keseluruhan di cek:

308 Contoh 20

E Klik tab numerik dan membatasi jumlah iterasi untuk sosok yang realistis (seperti 40) di bidang batas Iterasi.

Amos Graphics masukan file untuk lima model telah disimpan dengan nama EX20-1.amw, EX20-2.amw, EX20-2r.amw, EX20-sat.amw, dan EX20-ind.amw.

E Dalam melihat output teks untuk Model 1, klik Ringkasan Iterasi Bootstrap di pohon

diagram di sebelah kiri atas dari jendela Output Amos. Pesan berikut menunjukkan bahwa hal itu tidak perlu membuang sampel bootstrap. Semua 1.000 sampel bootstrap digunakan.

1000 sampel bootstrap digunakan diperoleh.

E Klik Distribusi Bootstrap dalam diagram pohon untuk melihat histogram

C

ML

(Αb, a) = C KL (αb, a) - C KL (a, a),

b = 1, K, 1000

dimana berisi momen sampel dari sampel asli dari 145 Grant-Putih b berisi siswa (yaitu, saat dalam populasi bootstrap), dan α

309 Bootstrap untuk Model Perbandingan

saat tersirat diperoleh dari pas Model 1 untuk sampel bootstrap b-th. Dengan demikian, b, a) adalah ukuran berapa banyak momen populasi berbeda dari ML C (saat α diperkirakan dari sampel bootstrap b-th menggunakan Model 1.

ML selisih (tersirat vs pop) (Model Default)

48,268 52,091 55,913 59,735 63,557 67,379 71,202 75,024 78,846 82,668 86,490 90,313 94,135 97,957 101,779 | ------------------- | ** | ********* | * ************ | ******************* | ***************** | ************ | ******** | ****** | *** | * | ** | ** | * | * | * | - ------------------

N = 1000 Berarti = 64,162 S. e. = 0,292

b, a) lebih dari 1.000 sampel bootstrap adalah 64,162 dengan standar rata-rata C ML (α kesalahan 0.292. histogram serupa, bersama dengan sarana dan kesalahan standar, ditampilkan untuk empat model lain yang tidak direproduksi di sini. rata-rata perbedaan untuk lima model bersaing ditunjukkan dalam tabel di bawah ini, bersama dengan nilai-nilai BCC, AIC, dan CAIC. Tabel ini menyediakan langkah-langkah cocok untuk lima model bersaing (standar error dalam kurung).

Kegagalan Model Berarti Kesenjangan BCC AIC CAIC

1 2 2R Sat. Indep.

0 19 0 0 0

64,16 (0,29) 29,14 (0,35 26,57 (0,30) 32,05 (0,37) 334,32 (0,24)

68,17 36,81 30,97 44,15 333,93

66,94 35,07 29,64 42,00 333,32

114,66 102,68 81,34 125,51 357,18

Para Kegagalan kolom dalam tabel menunjukkan bahwa fungsi kemungkinan Model 2 tidak bisa dimaksimalkan untuk 19 dari sampel bootstrap 1.000, setidaknya tidak dengan batas iterasi 40. Sembilan belas sampel bootstrap tambahan yang dihasilkan untuk Model 2 dalam rangka untuk membawa jumlah total sampel bootstrap untuk target 1.000. 19 sampel dimana Model 2 tidak bisa dipasang berhasil disebabkan tidak ada masalah dengan empat model lainnya. Akibatnya, 981 sampel bootstrap yang umum untuk semua lima model. Tidak ada upaya untuk mencari tahu mengapa Model 2 perkiraan tidak dapat dihitung untuk 19 sampel bootstrap. Sebagai aturan, algoritma untuk analisis struktur saat cenderung

310 Contoh 20

gagal untuk model yang sesuai buruk.

Jika beberapa cara dapat ditemukan untuk berhasil sesuai dengan Model 2 terhadap 19 sampel, misalnya, dengan nilai-nilai awal yang ulung atau algoritma lebih unggul tampaknya mungkin bahwa perbedaan akan besar. Menurut alur penalaran ini, sampel bootstrap membuang yang gagal estimasi akan mengakibatkan bias ke bawah dalam perbedaan berarti. Dengan demikian, Anda harus peduli dengan kegagalan estimasi selama bootstrap, terutama ketika mereka terjadi untuk model dengan rata-rata perbedaan terendah. Dalam contoh ini, terendah rata-rata selisih (26.57) terjadi untuk 2R Model, mengkonfirmasikan pilihan model didasarkan pada, kriteria AIC, dan CAIC BCC. Perbedaan antara perbedaan rata-rata yang besar dibandingkan dengan kesalahan standar mereka.

Karena semua model yang dilengkapi dengan sampel bootstrap yang sama (kecuali untuk sampel dimana Model 2 tidak berhasil dipasang), Anda akan berharap untuk menemukan korelasi positif di antara sampel bootstrap perbedaan untuk model yang serupa. Sayangnya, Amos tidak melaporkan mereka korelasi. Menghitung korelasi dengan tangan menunjukkan bahwa mereka dekat dengan 1, sehingga kesalahan standar untuk perbedaan antara sarana dalam tabel adalah, secara keseluruhan, bahkan lebih kecil dari kesalahan standar sarana.

Ringkasan

Bootstrap dapat menjadi bantuan praktis dalam pemilihan model untuk analisis struktur saat. The Linhart dan Zucchini (1986) pendekatan menggunakan perbedaan antara yang diharapkan saat tersirat dan penduduk sebagai dasar untuk model perbandingan. Metode konseptual sederhana dan mudah diterapkan. Ini tidak menggunakan nomor ajaib sewenang-wenang seperti tingkat signifikansi. Tentu saja, kesesuaian teoritis model yang bersaing dan kewajaran estimasi parameter yang terkait tidak diperhitungkan oleh prosedur bootstrap dan perlu diberi bobot yang sesuai pada tahap lain dalam proses evaluasi Model.

Program Visual Basic untuk contoh ini berada di file EX20-1.vb, EX20-2.vb, Ex202r.vb, EX20-ind.vb, dan EX20-sat.vb.

21

Bootstrap untuk Bandingkan Metode Estimasi

Contoh ini menunjukkan bagaimana bootstrap dapat digunakan untuk memilih di antara kriteria estimasi bersaing.

Metode Estimasi

Perbedaan antara saat penduduk dan momen tersirat oleh model tidak hanya tergantung pada model tetapi juga pada metode estimasi. Teknik yang digunakan dalam Contoh 20 untuk membandingkan model dapat disesuaikan dengan perbandingan metode estimasi. Kemampuan ini sangat diperlukan ketika memilih antara metode estimasi yang dikenal optimal hanya asimtotik, dan yang manfaat relatif dalam sampel terbatas diperkirakan akan tergantung pada model, ukuran sampel, dan distribusi penduduk. Penghalang utama untuk melaksanakan program ini untuk membandingkan metode estimasi adalah bahwa ia memerlukan keputusan sebelumnya tentang bagaimana mengukur perbedaan antara saat-saat penduduk dan momen tersirat oleh model. Tampaknya tidak ada cara untuk membuat keputusan ini tanpa mendukung beberapa kriteria estimasi atas orang lain. Tentu saja, jika setiap pilihan perbedaan populasi mengarah pada kesimpulan yang sama, pertanyaan tentang yang merupakan perbedaan populasi yang tepat dapat dianggap akademik. Contoh ini menyajikan sebuah kasus yang jelas.

311

312 Contoh 21

The Holzinger-Swineford (1939) data dari Contoh 20 (dalam Grant.sav file) yang digunakan dalam contoh ini.

Tentang Model

Contoh ini memperkirakan parameter Model 2R dari Contoh 20 dengan empat metode alternatif: asimtotik diperoleh distribusi bebas (ADF), kemungkinan maksimum (ML), umum kuadrat terkecil (GLS), dan kuadrat terkecil tertimbang (ULS).

Untuk membandingkan metode estimasi empat, Anda perlu menjalankan Amos empat kali. Untuk menentukan metode estimasi parameter dan bootstrap:

E Dari menu, pilih View → Analisis Properties. E Dalam Analisis kotak dialog Properties, klik tab Acak #. E Masukkan Benih untuk nomor acak.

Sebagaimana kita bahas pada Contoh 20, tidak peduli apa nilai benih yang Anda pilih, tetapi dalam rangka untuk menarik set yang sama persis sampel pada beberapa sesi Amos, jumlah benih yang sama harus diberikan setiap kali.

Dalam contoh ini, kita menggunakan benih 3.

E Selanjutnya, klik tab Estimasi. E Pilih asimtotik diperoleh distribusi bebas perbedaan.

Perbedaan ini menunjukkan bahwa estimasi ADF harus digunakan agar sesuai dengan model untuk setiap sampel bootstrap.

313 Bootstrap Bandingkan Estimasi Metode s

E Terakhir, klik tab Bootstrap. E Pilih Lakukan bootstrap dan tipe 1000 untuk Jumlah sampel bootstrap. E Pilih Bootstrap ADF, Bootstrap ML, GLS Bootstrap, dan ULS Bootstrap.

314 Contoh 21

Memilih Bootstrap ADF, Bootstrap ML, GLS Bootstrap, SLS Bootstrap, dan ULS Bootstrap menetapkan bahwa masing-masing CADF, CML, CGLS, dan CULS akan digunakan untuk mengukur perbedaan antara sampel saat dalam sampel asli dan saat tersirat dari masing-masing sampel bootstrap. Untuk meringkas, ketika Anda melakukan analisis (Analisis → Hitung Perkiraan), Amos akan cocok model untuk masing-masing 1.000 sampel bootstrap menggunakan perbedaan ADF. Untuk setiap sampel bootstrap, kedekatan momen tersirat untuk saat-saat penduduk akan diukur empat cara yang berbeda, menggunakan CADF, CML, CGLS, dan CULS.

315 Bootstrap Bandingkan Estimasi Metode s

E Pilih Maksimum kemungkinan perbedaan mengulangi analisis.

E Pilih Generalized kuadrat perbedaan untuk mengulang analisa lagi. E Pilih tertimbang kuadrat perbedaan mengulangi analisis terakhir kalinya.

Keempat Amos Graphics masukan file untuk contoh ini adalah EX21-adf.amw, EX21-ml.amw, EX21-gls.amw, dan EX21-uls.amw.

Teks Keluaran

Pada bagian pertama dari empat analisis (seperti yang ditemukan di EX21-adf.amw), estimasi menggunakan ADF menghasilkan output histogram berikut. Untuk melihat histogram ini:

E Klik Bootstrap Distribusi → ADF Kesenjangan (tersirat vs pop) dalam diagram pohon

panel kiri atas jendela Output Amos.

316 Contoh 21

ADF selisih (tersirat vs pop) (Model Default)

7,359 10,817 14,274 17,732 21,189 24,647 28,104 31,562 35,019 38,477 41,934 45,392 48,850 52,307 55,765 | ------------------- | * | ******** | *** ************* | ******************** | *************** **** | ************* | ******** | **** | ** | ** | * | * | * | * | * | - -------------------

N = 1000 Berarti = 20,601 S. e. = 0,218

Bagian dari output menunjukkan distribusi dari populasi perbedaan b, a) di 1.000 sampel bootstrap, di mana α b berisi momen tersirat C ADF (α b, ab), yaitu perbedaan sampel. Rata-rata yang diperoleh dengan meminimalkan C ADF (α b, a) di 1.000 sampel bootstrap adalah 20,601, dengan standar error 0,218. C ADF (α

b, a). Untuk melihat histogram ini: Berikut histogram menunjukkan distribusi C ML (α

E Klik Distribusi Bootstrap → ML Kesenjangan (tersirat vs pop) dalam diagram pohon

ML selisih (tersirat vs pop) (Model Default)

11,272 22,691 34,110 45,530 56,949 68,368 79,787 91,207 102,626 114,045 125,464 136,884 148,303 159,722 171,142 | ------------------- | **** | ********* *********** | ******************** | *********** | *****

| *** | ** | * | * | * | * | | | | * | --------------------

N = 1000 Berarti = 36,860 S. e. = 0,571

317 Bootstrap Bandingkan Estimasi Metode s

Untuk melihat histogram ini: Berikut histogram menunjukkan distribusi C GLS (α

E Klik Bootstrap Distribusi → GLS Kesenjangan (tersirat vs pop) dalam diagram pohon

GLS selisih (tersirat vs pop) (Model Default)

7,248 11,076 14,904 18,733 22,561 26,389 30,217 34,046 37,874 41,702 45,530 49,359 53,187 57,015 60,844 | ------------------- | ** | ********* | * ************** | ******************** | ************** | *********** | ******* | **** | ** | *** | * | * | * | * | * | ------- -------------

N = 1000 Berarti = 21,827 S. e. = 0,263

Untuk melihat histogram ini: Berikut histogram menunjukkan distribusi C ULS (α

E Klik Bootstrap Distribusi → ULS Kesenjangan (tersirat vs pop) dalam diagram pohon

ULS selisih (tersirat vs pop) (Model Default)

5079.897 30811.807 56543.716 82275.625 108007.534 133739.443 159471.352 185203.261 210935.170 236667.079 262398.988 288130.897 313862.806 339594.715 365326.624 | ------------------- | ****** | ******* ************* | ******** | **** | ** | * | * | * | | * | | | | | * | ---- ----------------

N = 1000 Berarti = 43.686,444 S. e. = 1011.591

318 Contoh 21

b, a) di 1.000 sampel bootstrap dengan Di bawah ini adalah tabel yang menunjukkan rata-rata C (α kesalahan standar dalam tanda kurung. Keempat distribusi hanya ditampilkan dirangkum dalam baris pertama dari tabel. Sisa tiga baris menunjukkan hasil . estimasi dengan meminimalkan CML, CGLS, dan CULS, masing-masing b, ab) Penduduk perbedaan untuk evaluasi: C (α

CADF Contoh perbedaan CML untuk estimasi GLS C b, ab) C (α CULS CADF 20,60 (0,22) 19,19 (0,20) 19,45 (0,20) 24,89 (0,35) CML 36,86 (0,57) 26,57 (0,30) 31,45 (0,40) 31,78 (0,43 ) CGLS 21,83 (0,26) 18,96 (0,22) 19,03 (0,21) 24,16 (0,33) CULS 43.686 (1.012) 34.760 (830) 37.021 (830) 35.343 (793)

Kolom pertama, berlabel CADF, menunjukkan kinerja relatif dari metode estimasi empat sesuai dengan perbedaan populasi, CADF. Sejak 19.19 adalah mean perbedaan terkecil di kolom CADF, CML merupakan metode estimasi terbaik sesuai dengan kriteria CADF. Demikian pula, memeriksa kolom CML dari tabel menunjukkan bahwa CML merupakan metode estimasi terbaik sesuai dengan kriteria CML. Meskipun empat kolom tabel setuju pada pemesanan yang tepat dari metode estimasi empat, ML adalah, dalam semua kasus, metode dengan rata-rata perbedaan terendah. Perbedaan antara estimasi ML dan estimasi GLS sedikit dalam beberapa kasus. Tidak mengherankan, estimasi ULS dilakukan buruk, sesuai dengan semua perbedaan penduduk yang bekerja. Lebih menarik adalah kinerja yang buruk dari estimasi ADF, menunjukkan bahwa estimasi ADF tidak cocok untuk kombinasi model, populasi, dan ukuran sampel.

Modeling di VB.NET

Program Visual Basic untuk contoh ini berada di file EX21-adf.vb, EX21-gls.vb, EX21-ml.vb, dan EX21-uls.vb.

Contoh

22

Spesifikasi Pencarian

Pengantar

Contoh ini membawa Anda melalui dua pencarian spesifikasi: satu adalah sebagian konfirmasi (dengan beberapa anak panah opsional), dan yang lainnya sebagian besar penjajakan (dengan banyak anak panah opsional).

Tentang Data

Contoh ini menggunakan (1979) Data gadis Felson dan Bohrnstedt, juga digunakan dalam Contoh 7.

Tentang Model

Model awal untuk spesifikasi pencarian berasal dari Felson dan Bohrnstedt (1979), seperti terlihat pada Gambar 22-1:

319

320 Contoh 22

IPK

akademik

1

error1

tinggi

berat

menarik

error2

penilaian

Gambar 22-1: Felson dan Model Bohrnstedt untuk anak perempuan

Spesifikasi Pencarian dengan Sedikit Arrows Opsional

Felson dan Bohrnstedt terutama tertarik pada dua panah tunggal berkepala, akademik ← menarik dan menarik ← akademik. Pertanyaannya adalah apakah salah satu atau kedua, atau mungkin tidak, anak panah yang dibutuhkan. Untuk alasan ini, Anda akan membuat kedua panah opsional selama spesifikasi ini pencarian. Berkepala dua panah menghubungkan error1 dan error2 adalah fitur yang tidak diinginkan dari model karena mempersulit interpretasi efek diwakili oleh panah tunggal berkepala, dan Anda juga akan membuatnya opsional. Spesifikasi pencari akan membantu untuk memutuskan mana dari tiga panah opsional, jika ada, sangat penting untuk model. Spesifikasi ini pencarian sebagian besar konfirmasi karena sebagian panah yang diperlukan oleh model, dan hanya tiga yang opsional.

Menentukan Model

E Terbuka Ex22a.amw. Jika Anda melakukan instalasi khas, jalan

C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Contoh \ <language> \ Ex22a.amw. Path Diagram terbuka di area gambar. Awalnya, tidak ada panah opsional, seperti terlihat pada Gambar 22-1.

E Dari menu, pilih Analyze → Spesifikasi Search.

Spesifikasi jendela Pencarian muncul. Awalnya, hanya toolbar terlihat.

321 Spesifikasi Pencarian

E Klik

pada Spesifikasi toolbar pencarian, dan kemudian klik panah berkepala dua yang menghubungkan error1 dan error2. Panah berubah warna untuk menunjukkan bahwa panah adalah opsional.

Tip: Jika Anda ingin panah opsional untuk berlari serta berwarna, seperti yang terlihat di bawah ini,

pilih View → Antarmuka Properties dari menu, klik tab Aksesibilitas, dan pilih kotak centang Alternatif warna.

IPK akademik

E Untuk membuat panah diperlukan lagi, klik

pada Spesifikasi toolbar pencarian, dan kemudian klik panah. Bila Anda memindahkan pointer jauh, kembali panah akan ditampilkan sebagai panah yang dibutuhkan. lagi, dan kemudian klik panah dalam diagram jalur sampai terlihat seperti ini:

322 Contoh 22

Ketika Anda melakukan analisis eksplorasi nanti, program ini akan memperlakukan tiga anak panah berwarna sebagai opsional dan akan mencoba untuk sesuai dengan model menggunakan setiap himpunan bagian yang mungkin dari mereka.

Memilih Program Pilihan

E Klik tombol Options

pada Spesifikasi toolbar Search.

E Pada kotak dialog Options, klik tab hasil sekarang. E Klik Reset untuk memastikan bahwa pilihan Anda adalah sama dengan yang digunakan dalam contoh ini.

E Sekarang klik tab pencarian berikutnya. Teks di atas menunjukkan bahwa analisis eksplorasi

akan cocok delapan (yaitu, 23) model.

E Dalam Mempertahankan hanya kotak model ___ terbaik, mengubah nilai 10-0.

Dengan nilai default 10, spesifikasi pencari laporan paling banyak 10 model satu parameter, paling banyak 10 model dua parameter, dan sebagainya. Jika nilai diatur ke 0, tidak ada batasan pada jumlah model dilaporkan.

323 Spesifikasi Pencarian

Membatasi jumlah model dilaporkan dapat mempercepat pencarian spesifikasi signifikan. Namun, hanya delapan model dalam total akan ditemui selama spesifikasi pencarian untuk contoh ini, dan menetapkan nilai nol untuk Mempertahankan hanya model ___ terbaik akan memiliki efek samping yang tidak diinginkan menghambat program dari normalisasi bobot Akaike dan faktor Bayes sehingga mereka dijumlahkan ke 1 di semua model, seperti yang terlihat kemudian.

E Tutup kotak dialog Options.

Melakukan Spesifikasi Pencarian

Program ini cocok model delapan kali, menggunakan setiap subset dari panah opsional. Ketika selesai, jendela Pencarian Spesifikasi mengembang untuk menunjukkan hasil.

324 Contoh 22

Tabel berikut menyajikan langkah-langkah sesuai untuk delapan model dan model jenuh:

Kolom Model berisi nomor indeks sewenang-wenang dari 1 hingga 8 untuk masing-masing model dipasang pada spesifikasi pencarian. Sat mengidentifikasi model jenuh. Melihat baris pertama, Model 1 memiliki 19 parameter dan 2 derajat kebebasan. Fungsi selisih (yang dalam hal ini adalah rasio kemungkinan statistik chi-square) adalah 2,761. Di tempat lain dalam output Amos, nilai minimum dari fungsi perbedaan ini disebut sebagai CMIN. Di sini diberi label C untuk singkatnya. Untuk mendapatkan penjelasan dari setiap kolom tabel, klik kanan di mana saja di kolom dan

pilih Apa Ini? dari menu pop-up. Perhatikan bahwa nilai terbaik di setiap kolom digarisbawahi, kecuali untuk model dan Catatan kolom. Banyak langkah-langkah sesuai akrab (CFI dan RMSEA, misalnya) dihilangkan dari tabel ini. Lampiran E memberikan alasan untuk pilihan tindakan cocok ditampilkan.

Melihat Model Generated

E Anda dapat mengklik dua kali setiap baris dalam tabel (selain baris Sat) untuk melihat

diagram jalur yang sesuai pada area gambar. Sebagai contoh, klik ganda baris untuk Model 7 untuk melihat diagram jalurnya.

325 Spesifikasi Pencarian

Gambar 22-2: Diagram Jalur untuk Model 7

Perkiraan Parameter lihat untuk Model

E Pada jendela Pencarian Spesifikasi, klik ganda baris untuk Model 7.

Area gambar menampilkan parameter memperkirakan untuk Model 7.

12.12 .02 .02

IPK

1.82

8.43

-6,71

tinggi

19.02

1,44 .00 .14 .00

.53

371,48

- .47 -5.24

berat

1.02

.18

Chi-square = 3,071 (4 df) p = 0,546

Gambar 22-3: Perkiraan Parameter untuk Model 7

326 Contoh 22

Menggunakan BCC ke Bandingkan Model

E Pada jendela Pencarian Spesifikasi, klik judul kolom BCC0.

Tabel macam menurut BCC sehingga model terbaik sesuai dengan BCC (yaitu, model dengan BCC terkecil) adalah di bagian atas daftar.

Berdasarkan saran oleh Burnham dan Anderson (1998), konstanta telah ditambahkan ke semua nilai BCC sehingga nilai BCC terkecil adalah 0. The 0 subscript pada BCC0 berfungsi sebagai pengingat dari rescaling ini. AIC (tidak ditampilkan dalam gambar di atas) dan BIC telah sama rescaled. Sebagai pedoman kasar, Burnham dan Anderson (1998, hal. 128) menyarankan interpretasi berikut AIC0. BCC0 dapat diartikan sama.

AIC0 atau BCC0 Burnham dan interpretasi Anderson

0-2

2-4 4-7 7 - 10

> 10

Tidak ada bukti kuat bahwa model harus dikesampingkan sebagai sebenarnya KL model terbaik untuk populasi sampel yang mungkin. (Lihat Burnham dan Anderson untuk definisi KL terbaik.) Ada bukti lemah bahwa model tersebut bukan model KL terbaik. Ada bukti yang pasti bahwa model tersebut bukan model KL terbaik. Ada bukti kuat bahwa model bukan model KL terbaik. Ada bukti yang sangat kuat bahwa model tersebut bukan model KL terbaik.

Meskipun Model 7 diperkirakan menjadi model terbaik menurut Burnham dan pedoman Anderson, Model 6 dan 8 tidak boleh dikesampingkan.

327 Spesifikasi Pencarian

Melihat Berat Akaike

E Di BCC, AIC, BIC grup, pilih bobot Akaike / faktor Bayes (jumlah = 1).

Dalam tabel tindakan fit, kolom yang berlabel BCC0 kini berlabel BCCP dan berisi bobot Akaike. (Lihat Lampiran G.)

328 Contoh 22

The Akaike Berat telah ditafsirkan (Akaike, 1978; Bozdogan, 1987; Burnham dan Anderson, 1998) sebagai kemungkinan model yang diberikan data. Dengan penafsiran ini, perkiraan KL model terbaik (Model 7) hanya sekitar 2,4 kali lebih mungkin (0,494 / 0,205 = 2,41) dibandingkan Model 6.

Bozdogan (1987) menunjukkan bahwa, jika mungkin untuk menetapkan probabilitas sebelum calon model, probabilitas sebelum dapat digunakan bersama dengan bobot Akaike (ditafsirkan sebagai model likelihoods) untuk memperoleh probabilitas posterior. Dengan probabilitas yang sama sebelumnya, bobot Akaike sendiri adalah probabilitas posterior, sehingga dapat dikatakan bahwa model 7 merupakan model KL terbaik dengan probabilitas 0,494, Model 6 adalah model KL terbaik dengan probabilitas 0,205, dan sebagainya. Empat model yang paling mungkin adalah Model 7, 6, 8, dan 1. Setelah menambahkan probabilitas mereka (0,494 + 0,205 + 0,192 + 0,073 = 0,96), dapat dikatakan bahwa ada kemungkinan 96% bahwa KL model terbaik adalah di antara mereka empat. (Burnham dan Anderson, 1998, hlm 127-129). P subscript pada BCCP berfungsi sebagai pengingat bahwa BCCP dapat diartikan sebagai probabilitas dalam kondisi tertentu.

Menggunakan BIC Bandingkan Model

E Pada saat hasil tab dari kotak dialog Options, pilih berbasis nol (min = 0) di

BCC, AIC, BIC kelompok.

329 Spesifikasi Pencarian

E Pada jendela Pencarian Spesifikasi, klik judul kolom BIC0.

Tabel ini sekarang diurutkan sesuai BIC sehingga model terbaik sesuai dengan BIC (yaitu, model dengan BIC terkecil) adalah di bagian atas daftar.

Model 7, dengan BIC terkecil, adalah model dengan perkiraan tertinggi probabilitas posterior (menggunakan probabilitas sebelumnya yang sama untuk model dan menggunakan distribusi prior khususnya untuk parameter masing-masing model terpisah). Raftery (1995) mengemukakan penafsiran berikut BIC0 nilai dalam menilai bukti untuk Model 7 terhadap model bersaing:

BIC0 Raftery (1995) interpretasi

0-2 2-6 6 - 10> 10

Lemah Positif Kuat Sangat kuat

Dengan menggunakan pedoman ini, Anda memiliki bukti positif terhadap Model 6 dan 8, dan bukti yang sangat kuat terhadap semua model-model lain dibandingkan dengan model 7.

Menggunakan Bayes Faktor Bandingkan Model

E Pada saat hasil tab dari kotak dialog Options, pilih bobot Akaike / faktor Bayes (jumlah = 1) di BCC, AIC, BIC kelompok.

330 Contoh 22

Dalam tabel tindakan fit, kolom yang berlabel BIC0 kini berlabel BICp dan mengandung faktor Bayes skala sehingga mereka jumlah ke 1.

Dengan probabilitas sebelumnya yang sama untuk model dan menggunakan distribusi prior tertentu parameter masing-masing model terpisah (Raftery, 1995; Schwarz, 1978), nilai BICp adalah perkiraan probabilitas posterior. Model 7 adalah model yang benar dengan probabilitas 0.860. Satu dapat 99% yakin bahwa model yang benar adalah di antara Model 7, 6, dan 8 (0.860 + 0.069 + 0.065 = 0.99). P subscript adalah pengingat bahwa nilai BICp dapat diartikan sebagai probabilitas.

331 Spesifikasi Pencarian

Madigan dan Raftery (1994) menunjukkan bahwa hanya model di jendela Occam digunakan untuk tujuan model rata-rata (topik tidak dibahas di sini). Jendela simetris Occam adalah subset dari model yang diperoleh termasuk model yang jauh lebih sedikit kemungkinan (Madigan dan Raftery menyarankan sesuatu seperti 20 kali lebih mungkin) dari model yang paling mungkin. Dalam contoh ini, jendela simetris Occam berisi model 7, 6, dan 8 karena ini adalah model yang probabilitas (nilai BICp) lebih besar dari / 20 = 0.860 0,043.

Rescaling Faktor Bayes

E Pada saat hasil tab dari kotak dialog Options, pilih bobot Akaike / faktor Bayes (max = 1) di BCC, AIC, BIC kelompok.

Dalam tabel tindakan fit, kolom yang berlabel BICp kini berlabel BICL dan mengandung faktor Bayes skala sehingga nilai terbesar adalah 1. Hal ini membuat lebih mudah untuk memilih jendela Occam. Ini terdiri dari model yang nilai BICL lebih besar dari 1/20 = 0,05, dengan kata lain, Model 7, 6, dan 8. The L subscript pada BICL adalah pengingat bahwa statistik BCCL analog dapat diartikan sebagai suatu kemungkinan.

332 Contoh 22

Meneliti Daftar Pendek Model

pada Spesifikasi toolbar Search. Ini akan menampilkan daftar singkat dari model.

Pada gambar di bawah ini, daftar pendek menunjukkan model terbaik untuk setiap jumlah parameter. Ini menunjukkan yang terbaik model 16-parameter, model 17-parameter terbaik, dan sebagainya.

Perhatikan bahwa semua kriteria menyetujui model terbaik saat perbandingan dibatasi untuk model dengan sejumlah tetap parameter. Model terbaik secara keseluruhan harus berada di daftar ini, tidak peduli kriteria yang digunakan.

Gambar 22-4: Model terbaik untuk setiap jumlah parameter

Tabel ini menunjukkan bahwa model 17-parameter paling cocok jauh lebih baik dari yang terbaik model 16-parameter. Selain 17 parameter, menambahkan parameter tambahan menghasilkan perbaikan yang relatif kecil dalam fit. Dalam analisis biaya-manfaat, melangkah dari 16 parameter untuk 17 parameter memiliki hasil yang relatif besar, sementara melampaui 17 parameter memiliki hasil yang relatif kecil. Hal ini menunjukkan mengadopsi model 17-parameter terbaik, dengan menggunakan titik heuristik yang semakin berkurang argumen kembali. Pendekatan ini untuk menentukan jumlah parameter dikejar lebih lanjut kemudian dalam contoh ini (lihat "Melihat Grafik Best-Fit untuk C" pada hal. 338 dan "Melihat Plot Scree untuk C" pada hal. 340).

333 Spesifikasi Pencarian

Membaca sebar Fit dan Kompleksitas

Ini akan membuka jendela Plot, yang menampilkan grafik berikut:

Grafik menunjukkan sebar fit (diukur dengan C) terhadap kompleksitas (diukur dengan jumlah parameter) di mana setiap titik mewakili model. Grafik menggambarkan trade-off antara fit dan kompleksitas yang Steiger dicirikan sebagai berikut: Dalam analisis akhir, mungkin, dalam arti, tidak mungkin untuk menentukan satu cara terbaik untuk menggabungkan ukuran kompleksitas dan ukuran kejahatan-of-fit di indeks tunggal numerik, karena sifat yang tepat yang terbaik numerik trade-off antara kompleksitas dan bugar adalah, sampai batas tertentu, masalah selera pribadi. Pemilihan model merupakan masalah klasik dalam analisis dua dimensi preferensi. (Steiger, 1990, hal. 179.)

E Klik salah satu poin di sebar untuk menampilkan menu yang menunjukkan yang model

diwakili oleh titik itu dan setiap poin yang tumpang tindih.

334 Contoh 22

E Pilih salah satu model dari menu pop-up untuk melihat bahwa model disorot dalam

tabel statistik model fit dan, pada saat yang sama, untuk melihat jalur diagram model yang di area gambar. Pada gambar berikut, titik kursor ke dua titik tumpang tindih yang mewakili Model 6 (dengan perbedaan 2,76) dan Model 8 (dengan perbedaan sebesar 2,90).

Grafik berisi garis horizontal mewakili poin yang C adalah konstan. Awalnya, garis berpusat pada 0 pada sumbu vertikal. Nilai-nilai Fit panel di kiri bawah menunjukkan bahwa, untuk titik pada garis horizontal, C = 0 dan juga F = 0. (F disebut sebagai FMIN dalam output Amos.) NFI1 dan NFI2 dua versi NFI yang menggunakan dua model dasar yang berbeda (lihat Lampiran F). Awalnya, kedua NFI1 dan NFI2 sama dengan 1 untuk titik-titik pada garis horizontal. Lokasi garis horizontal disesuaikan. Anda dapat memindahkan baris dengan menyeret dengan mouse. Ketika Anda memindahkan baris, Anda dapat melihat perubahan di lokasi garis tercermin dalam tindakan fit di panel kiri bawah.

335 Spesifikasi Pencarian

Mengatur Baris Mewakili Konstan Fit

E Gerakkan mouse di atas garis disesuaikan. Ketika perubahan pointer ke tangan, tarik garis sehingga NFI1 sama dengan 0.900. (Mengawasi NFI1 di panel kiri bawah sementara

Anda reposisi garis disesuaikan.)

NFI1 adalah bentuk akrab statistik NFI yang model baseline memerlukan variabel yang diamati akan berkorelasi tanpa menghambat sarana dan varians mereka. Poin yang berada di bawah garis memiliki NFI1> 0.900 dan mereka di atas garis memiliki NFI1 <0.900. Artinya, garis disesuaikan memisahkan model diterima dari yang dapat diterima sesuai dengan konvensi banyak digunakan berdasarkan pernyataan dengan Bentler dan Bonett (1980).

336 Contoh 22

Melihat Jalur Mewakili Konstan C - df

E Pada jendela Plot, pilih C - df pada kelompok ukuran Fit. Ini menampilkan berikut ini:

Sebar tetap tidak berubah kecuali untuk posisi garis disesuaikan. The adjustable baris sekarang berisi poin yang C - df adalah konstan. Padahal jalur ini sebelumnya horisontal, sekarang miring ke bawah, menunjukkan bahwa C - df memberikan beberapa berat kompleksitas dalam menilai kecukupan Model. Awalnya, garis disesuaikan melewati titik yang C - df terkecil.

E Klik titik itu, dan kemudian pilih model 7 dari menu pop-up.

Ini menyoroti Model 7 dalam tabel tindakan fit dan juga menampilkan diagram jalur untuk model 7 di area gambar. Panel di sudut kiri bawah menunjukkan nilai beberapa tindakan sesuai yang bergantung hanya pada C - df dan bahwa karena itu, seperti C - df sendiri, konstan sepanjang garis disesuaikan. CFI1 dan CFI2 dua versi CFI yang menggunakan dua model dasar yang berbeda (lihat

337 Spesifikasi Pencarian

Lampiran G). Awalnya, kedua CFI1 dan CFI2 sama dengan 1 untuk titik pada garis disesuaikan. Bila Anda memindahkan garis disesuaikan, langkah-langkah sesuai di bawah perubahan panel kiri untuk mencerminkan perubahan posisi baris.

Mengatur Baris Mewakili Konstan C - df

E Tarik garis disesuaikan sehingga CFI1 sama dengan 0.950.

CFI1 adalah biasa CFI statistik yang model baseline memerlukan variabel yang diamati akan berkorelasi tanpa menghambat sarana dan varians mereka. Poin yang berada di bawah garis memiliki CFI1> 0.950 dan mereka di atas garis memiliki CFI1 <0.950. Artinya, garis disesuaikan memisahkan model diterima dari yang dapat diterima sesuai dengan rekomendasi dari Hu dan Bentler (1999).

338 Contoh 22

Melihat Garis lainnya Mewakili Konstan Fit

E Klik AIC, BCC, dan BIC pada gilirannya.

Perhatikan bahwa kemiringan garis disesuaikan menjadi semakin negatif. Ini mencerminkan fakta bahwa lima langkah (C, C - df, AIC, BCC, dan BIC) memberikan peningkatan bobot kerumitan model. Untuk masing-masing lima ukuran, garis adjustable memiliki kemiringan konstan, yang dapat Anda mengkonfirmasi dengan menyeret garis dengan mouse. Sebaliknya, kemiringan garis disesuaikan untuk C / df tidak konstan (kemiringan perubahan baris ketika Anda tarik dengan mouse) sehingga kemiringan untuk C / df tidak dapat dibandingkan dengan lereng untuk C, C - df, AIC, BCC, dan BIC.

Melihat Grafik Best-Fit untuk C

E Pada jendela Plot, pilih Terbaik masuk dalam kelompok jenis Plot. E Pada kelompok ukuran Fit, pilih C.

Gambar 22-5: Nilai terkecil dari C untuk setiap jumlah parameter

339 Spesifikasi Pencarian

Setiap titik dalam grafik ini merupakan model yang C kurang dari atau sama dengan yang model lain yang memiliki jumlah yang sama parameter. Grafik menunjukkan bahwa model terbaik 16-parameter memiliki C = 67,342, model terbaik 17-parameter memiliki C = 3,071, dan sebagainya. Sementara Best cocok dipilih, tabel tindakan fit menunjukkan model terbaik untuk setiap jumlah parameter. Tabel ini muncul sebelumnya pada hal. 332.

Perhatikan bahwa model terbaik untuk tetap jumlah parameter tidak tergantung pada pilihan ukuran fit. Misalnya, Model 7 adalah yang terbaik model 17 parameter menurut C - df, dan juga sesuai dengan C / df dan setiap ukuran cocok lainnya. Ini daftar pendek dari model terbaik dijamin mengandung model terbaik secara keseluruhan, tidak peduli yang sesuai ukuran digunakan sebagai kriteria untuk pemilihan model. Anda dapat melihat daftar singkat setiap saat dengan mengklik. Yang paling cocok grafik menunjukkan pilihan 17 sebagai nomor yang benar parameter dengan alasan heuristik bahwa itu adalah titik yang semakin berkurang. Artinya, meningkatkan jumlah parameter 16-17 membeli peningkatan relatif besar di C (67,342-3,071 = 64,271), sekaligus meningkatkan jumlah parameter melampaui 17 hasil perbaikan yang relatif kecil.

Melihat Grafik Best-Fit untuk Tindakan Fit Lainnya

E Sementara Best cocok dipilih, cobalah memilih pilihan lain dalam kelompok ukuran Fit: C - df, AIC, BCC, BIC, dan C / df. Sebagai contoh, jika Anda mengklik BIC, Anda akan melihat ini:

340 Contoh 22

BIC adalah ukuran antara C, C - df, AIC, BCC, dan BIC yang menjatuhkan hukuman terbesar bagi kompleksitas. Hukuman tinggi untuk kompleksitas tercermin dalam kemiringan positif curam dari grafik sebagai jumlah parameter meningkat melebihi 17.

Grafik menjelaskan bahwa, menurut BIC, model 17-parameter terbaik adalah unggul setiap model kandidat lainnya. Perhatikan bahwa mengklik langkah-langkah yang berbeda sesuai perubahan sumbu vertikal grafik kecocokan dan perubahan bentuk konfigurasi points.1 Namun, identitas setiap titik yang diawetkan. Model 16-parameter terbaik adalah selalu Model 4, model 17parameter terbaik adalah selalu Model 7, dan seterusnya. Hal ini karena, untuk tetap jumlah parameter, urutan peringkat model adalah sama untuk setiap ukuran fit.

Melihat Plot Scree untuk C

E Pada jendela Plot, pilih Scree dalam kelompok jenis Plot.

1 Model jenuh hilang dari grafik C / df karena C / df tidak didefinisikan untuk model jenuh.

341 Spesifikasi Pencarian

Jendela Plot menampilkan grafik berikut:

Gambar 22-6: Plot Scree untuk C

Dalam plot scree, titik koordinat dengan 17 pada sumbu horisontal telah mengkoordinasikan 64,271 pada sumbu vertikal. Ini merupakan fakta bahwa model terbaik 17-parameter (C = 3,071) lebih cocok dari yang terbaik model 16-parameter (C = 67,342), dengan perbedaan yang 67,342-3,071 = 64,271. Demikian pula, ketinggian grafik pada 18 parameter menunjukkan peningkatan C diperoleh dengan bergerak dari model 17parameter terbaik dengan model 18-parameter terbaik, dan sebagainya. Titik yang terletak di atas 21 pada sumbu horisontal memerlukan penjelasan terpisah. Tidak ada model 20-parameter dengan yang terbaik Model 21-parameter dapat dibandingkan. (Sebenarnya, hanya ada satu 21-parameter model model jenuh.) Model 21-parameter terbaik (C = 0) karena itu dibandingkan dengan model terbaik 19-parameter (C = 2,761). Ketinggian titik 21-parameter dihitung sebagai (2,761-0) / 2. Artinya, peningkatan C diperoleh dengan bergerak dari model 19-parameter untuk model 21parameter dinyatakan sebagai jumlah penurunan C per parameter.

342 Contoh 22

Angka di kedua hal. 338 atau p. 341 dapat digunakan untuk mendukung titik heuristik yang semakin berkurang argumen kembali mendukung 17 parameter. Ada perbedaan ini: Dalam grafik kecocokan (hal. 338), satu mencari siku dalam grafik, atau tempat di mana perubahan kemiringan relatif curam dari yang relatif datar. Untuk masalah ini, hal ini terjadi pada 17 parameter yang dapat diambil sebagai dukungan untuk model 17-parameter terbaik. Dalam plot scree (hal. 341), kita juga mencari siku, tapi siku terjadi pada 18 parameter dalam contoh ini. Ini juga diambil sebagai dukungan untuk model 17-parameter terbaik. Dalam plot scree, siku di k parameter menyediakan dukungan untuk yang terbaik (k - 1) parameter model. The scree plot dinamakan demikian karena kemiripannya dengan grafik yang dikenal sebagai plot scree dalam analisis komponen utama (Cattell, 1966). Dalam analisis komponen utama, plot scree menunjukkan perbaikan dalam fit model yang diperoleh dengan menambahkan komponen untuk model, salah satu komponen pada suatu waktu. The scree plot yang disajikan di sini untuk SEM menunjukkan perbaikan dalam fit model yang diperoleh dengan incrementing jumlah parameter model. The scree plot untuk SEM tidak identik dalam segala hal dengan plot scree untuk analisis komponen utama. Misalnya, dalam komponen utama, diperoleh urutan model bersarang ketika memperkenalkan komponen satu per satu. Hal ini tidak selalu terjadi di plot scree untuk SEM.

Model 17-parameter terbaik, katakan, dan model terbaik 18-parameter mungkin atau tidak mungkin diulang. (Dalam contoh ini, mereka berada.) Selanjutnya, dalam komponen utama, plot scree selalu monoton non-meningkat, yang tidak dijamin dalam kasus plot scree untuk SEM, bahkan dengan model bersarang. Memang, plot scree untuk contoh ini tidak monoton. Terlepas dari perbedaan antara plot scree tradisional dan plot scree disajikan di sini, diusulkan bahwa plot scree baru digunakan dalam heuristik cara yang sama seperti yang tradisional. Pendekatan dua tahap untuk pemilihan model disarankan. Pada tahap pertama, jumlah parameter yang dipilih dengan memeriksa baik plot scree atau daftar pendek dari model. Pada tahap kedua, model terbaik dipilih dari antara model-model yang memiliki jumlah parameter yang telah ditentukan pada tahap pertama.

Melihat Plot Scree untuk Tindakan Fit Lainnya

E Dengan Scree dipilih dalam kelompok jenis Plot, pilih pilihan lain dalam kelompok Fit ukuran: C - df, AIC, BCC, dan BIC (tapi tidak C / df).

Misalnya, jika Anda memilih BIC, Anda akan melihat ini:

343 Spesifikasi Pencarian

Untuk C - df, AIC, BCC, dan BIC, unit dan asal sumbu vertikal yang berbeda daripada C, tetapi grafik yang dinyatakan identik. Ini berarti bahwa model akhir dipilih oleh tes scree adalah independen dari yang ukuran cocok digunakan (kecuali C / df digunakan). Ini adalah keuntungan dari plot scree atas plot best-fit menunjukkan sebelumnya dalam contoh ini (lihat "Melihat Grafik Best-Fit untuk C" pada hal. 338, dan "Melihat Grafik Best-Fit untuk Tindakan Fit Lainnya" pada p. 339). Yang paling cocok plot dan plot scree mengandung hampir informasi yang sama, tetapi bentuk plot best-fit tergantung pada pilihan ukuran cocok sementara bentuk plot scree tidak (dengan pengecualian C / df). Kedua plot terbaik fit dan plot scree adalah independen dari ukuran sampel dalam arti bahwa mengubah ukuran sampel tanpa mengubah momen sampel tidak memiliki efek lain selain untuk rescale sumbu vertikal.

344 Contoh 22

Spesifikasi Pencarian dengan Banyak Arrows Opsional

Sebelumnya Spesifikasi pencarian sebagian besar di konfirmasi bahwa hanya ada tiga panah opsional. Anda dapat mengambil pendekatan yang lebih eksplorasi untuk membangun sebuah model untuk Felson dan Bohrnstedt data. Misalkan bahwa hanya hipotesis Anda tentang variabel enam diukur adalah bahwa

?? akademik tergantung pada lima variabel lain, dan? menarik tergantung pada lima variabel lainnya.

Path diagram yang ditunjukkan pada Gambar 22-7 dengan 11 anak panah opsional menerapkan hipotesis ini. Ini menentukan variabel yang endogen, dan tidak lebih. Setiap model yang diamati-variabel yang konsisten dengan hipotesis termasuk dalam spesifikasi pencarian. Para covariances antara diamati, variabel eksogen bisa saja dibuat opsional, namun hal ini akan

meningkatkan jumlah anak panah opsional 11-17, meningkatkan jumlah calon model dari 2.048 (yaitu, 211) ke 131,072 (yaitu, 217). Membiarkan covariances antara diamati, variabel eksogen menjadi opsional akan menjadi mahal, dan ada tampaknya akan sedikit minat dalam mencari model di mana beberapa pasangan dari variabel tersebut berkorelasi.

IPK akademik

1

error1

tinggi

berat

menarik

error2

penilaian

Gambar 22-7: Model Sangat eksplorasi untuk data Felson dan Bohrnstedt itu gadis '

345 Spesifikasi Pencarian

Menentukan Model

E Terbuka Ex22b.amw. Jika Anda melakukan instalasi khas, jalan akan

C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Contoh \ <language> \ Ex22b.amw.

Tip: Jika file terakhir yang dibuka berada di folder Contoh, Anda dapat membuka file dengan

mengklik dua kali dalam daftar File di sebelah kiri area gambar.

1 error1

Membuat Beberapa Arrows Opsional

E Dari menu, pilih Analyze → Spesifikasi Search. E Klik

pada Spesifikasi toolbar pencarian, dan kemudian klik panah dalam diagram jalur sampai terlihat seperti diagram di p. 344.

Tip: Anda dapat mengubah beberapa panah sekaligus dengan mengklik dan menyeret mouse pointer melalui mereka.

Menetapkan Pilihan untuk Default mereka

E Klik tombol Options

pada Spesifikasi toolbar Search.

E Pada kotak dialog Options, klik tab pencarian berikutnya. E Dalam Mempertahankan hanya kotak model ___ terbaik, mengubah nilai dari 0 sampai 10.

346 Contoh 22

Ini mengembalikan pengaturan default kita diubah sebelumnya dalam contoh ini. Dengan pengaturan default, program ini hanya menampilkan 10 model terbaik menurut kriteria mana yang Anda gunakan untuk menyortir kolom dari daftar Model. Keterbatasan ini diinginkan sekarang karena sejumlah besar model yang akan dihasilkan untuk spesifikasi ini pencarian.

E Klik tab hasil sekarang. E Di BCC, AIC, BIC grup, pilih berbasis nol (min = 0).

Melakukan Spesifikasi Pencarian

Pencarian memakan waktu sekitar 10 detik pada 1,8 GHz Pentium 4. Ketika selesai, jendela Pencarian Spesifikasi mengembang untuk menunjukkan hasil.

347 Spesifikasi Pencarian

Menggunakan BIC Bandingkan Model

E Pada jendela Pencarian Spesifikasi, klik kolom BIC0 pos. Ini macam meja

menurut BIC0.

Gambar 22-8: The 10 model terbaik sesuai dengan BIC0

Tabel diurutkan menunjukkan bahwa Model 22 adalah model terbaik menurut BIC0. (Nomor model tergantung sebagian pada urutan di mana objek dalam diagram jalur diundi;. Oleh karena itu, jika Anda menggambar diagram jalan Anda sendiri, nomor model Anda mungkin berbeda dari model angka di sini) Model kedua-terbaik sesuai dengan BIC0 , yaitu Model 32, adalah yang terbaik menurut BCC0. Model ini adalah sebagai berikut:

IPK

akademik

Model 22

Model 32

348 Contoh 22

Melihat Plot Scree

E Pada jendela Plot, pilih Scree dalam kelompok jenis Plot.

The scree plot yang sangat menunjukkan bahwa model dengan 15 parameter memberikan trade-off optimal model fit dan kekikiran.

E Klik titik dengan koordinat horizontal 15. Sebuah pop-up muncul yang menunjukkan

Titik mewakili Model 22, yang perubahan chi-square adalah 46,22.

E Klik 22 (46,22) untuk menampilkan model 22 di area gambar.

Keterbatasan

Prosedur pencarian spesifikasi terbatas pada analisis data dari satu kelompok.

Contoh

23

Exploratory Factor Analysis dengan Spesifikasi Pencarian

Pengantar

Contoh ini menunjukkan analisis faktor eksplorasi dengan cara pencarian spesifikasi. Dalam pendekatan ini untuk eksplorasi analisis faktor, setiap variabel yang diukur dapat (opsional) tergantung pada faktor apapun. Spesifikasi pencarian dilakukan untuk menemukan subset dari panah tunggal berkepala yang memberikan kombinasi optimal kesederhanaan dan bugar. Hal ini juga menunjukkan spesifikasi heuristik pencarian yang praktis untuk model yang terlalu besar untuk spesifikasi pencarian yang melelahkan.

Tentang Data

Contoh ini menggunakan data Holzinger dan Swineford girls '(1939) dari Contoh 8.

Tentang Model

Model awal ditunjukkan pada Gambar 23-1 di halaman. 350. Selama spesifikasi pencarian, semua panah tunggal berkepala titik bahwa dari faktor untuk variabel yang diukur akan dibuat opsional. Tujuan dari spesifikasi pencari adalah untuk mendapatkan bimbingan yang sebagai panah tunggal berkepala sangat penting untuk model, dengan kata lain, yang variabel tergantung pada faktor-faktor. Kedua faktor varians keduanya tetap pada 1, seperti semua bobot regresi yang terkait dengan variabel sisa. Tanpa kendala ini, semua model yang dihadapi selama spesifikasi pencarian akan teridentifikasi.

349

350 Contoh 23

visperc 1

err_v

F1

kubus

err_c

lozenges

err_l

ayat 1

err_p

F2

kalimat

err_s

wordmean

err_w

Gambar 23-1: Model analisis faktor eksplorasi dengan dua faktor

E Buka Ex23.amw berkas. C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Contoh \ <language> \ Ex23.amw. Awalnya, diagram jalur muncul seperti pada Gambar 23-1. Tidak ada gunanya mencoba untuk cocok dengan model ini seperti berdiri karena tidak diidentifikasi, bahkan dengan varians faktor tetap pada 1.

Membuka Jendela Spesifikasi Pencarian

E Untuk membuka jendela Cari Spesifikasi, pilih Analyze → Spesifikasi Search.

Awalnya, hanya toolbar terlihat, seperti yang terlihat di sini:

351 Exploratory Factor Analysis dengan Spesifikasi Pencarian

Membuat Semua Berat Regresi Opsional

pada Spesifikasi toolbar pencarian, lalu klik semua panah tunggal berkepala dalam diagram jalur.

visperc 1 1 err_v

Gambar 23-2: Model Dua Faktor dengan semua bobot regresi opsional

Selama spesifikasi pencarian, program akan mencoba mencocokkan model menggunakan setiap himpunan bagian yang mungkin dari panah opsional.

E Pada kotak dialog Options, klik tab hasil sekarang. E Klik Reset untuk memastikan bahwa pilihan Anda adalah sama dengan yang digunakan dalam contoh ini.

352 Contoh 23

E Sekarang klik tab pencarian berikutnya. Perhatikan bahwa nilai default untuk Mempertahankan hanya model ___ terbaik adalah 10.

353 eksplorasi Analisis Faktor dengan Spesifikasi Pencarian

Dengan pengaturan ini, program ini hanya akan menampilkan 10 model terbaik menurut kriteria mana yang Anda gunakan untuk menyortir kolom dari daftar Model. Sebagai contoh, jika Anda mengklik judul kolom C / df, tabel akan menampilkan 10 model dengan nilai terkecil C / df, diurutkan menurut C / df. Scatterplots hanya akan menampilkan 10 terbaik 1-parameter model, 10 model 2-parameter terbaik, dan sebagainya. Hal ini berguna untuk menempatkan batas pada jumlah parameter yang akan ditampilkan ketika ada banyak parameter opsional. 12 Dalam contoh ini, ada 12 parameter opsional sehingga ada 2 = 4096 calon model. Hasil Menyimpan untuk sejumlah besar model dapat mempengaruhi kinerja. Membatasi tampilan yang terbaik 10 model untuk setiap jumlah parameter berarti bahwa program harus memelihara daftar hanya sekitar 10 × 13 = 130 model. Program ini harus sesuai dengan banyak lebih dari 130 model untuk menemukan yang terbaik 10 model untuk setiap jumlah parameter, tetapi tidak cukup sebanyak 4.096. Program ini menggunakan algoritma cabang-andbound mirip dengan yang digunakan dalam regresi semua kemungkinan-himpunan bagian (Furnival dan Wilson, 1974) untuk menghindari pas beberapa model tidak perlu.

Pencarian memakan waktu sekitar 12 detik pada 1,8 GHz Pentium 4. Ketika selesai, jendela Pencarian Spesifikasi mengembang untuk menunjukkan hasil. Awalnya, daftar model sangat tidak informatif. Model-model tersebut tercantum dalam urutan di mana mereka temui, dan model-model yang dihadapi di awal pencarian ditemukan menjadi teridentifikasi. Metode yang digunakan untuk mengklasifikasikan model sebagai teridentifikasi dijelaskan dalam Lampiran D.

354 Contoh 23

Menggunakan BCC ke Bandingkan Model

E Pada jendela Pencarian Spesifikasi, klik judul kolom BCC0.

Tabel macam menurut BCC sehingga model terbaik sesuai dengan BCC (yaitu, model dengan BCC terkecil) adalah di bagian atas daftar.

Gambar 23-3: The 10 model terbaik sesuai dengan BCC0

Kedua model terbaik menurut BCC0 (Model 52 dan 53) memiliki langkah-langkah sesuai identik (keluar untuk tiga tempat desimal anyway). Penjelasan untuk ini dapat dilihat dari diagram jalur untuk dua model.

E Pada jendela Pencarian Spesifikasi, klik dua kali baris untuk Model 52. Menampilkan Ini

diagram jalur di area gambar.

355 eksplorasi Analisis Faktor dengan Spesifikasi Pencarian

E Untuk melihat diagram jalur untuk Model 53, klik ganda barisnya.

visperc 1 1 1 err_v kubus 1 err_c visperc 1 err_v

err_p 1

ayat

Model 52

Model 53

Gambar 23-4: Reversing hasil F1 dan F2 Model kandidat lain

Ini hanya satu pasang model mana membalikkan peran F1 dan F2 perubahan salah satu anggota dari pasangan ke yang lain. Ada pasangan seperti lainnya. Model 52 dan 53 adalah sama, meskipun mereka dihitung secara terpisah dalam daftar 4.096 calon model. 10 model pada Gambar 23-3 di halaman. 354 datang dalam lima pasang, namun calon model tidak selalu datang berpasangan setara, seperti Gambar 23-5 mengilustrasikan. Model dalam gambar yang tidak terjadi di antara 10 model terbaik selama enam parameter opsional dan tidak diidentifikasi dalam hal ini, tetapi tidak menggambarkan bagaimana membalikkan F1 dan F2 dapat gagal untuk menghasilkan anggota yang berbeda dari himpunan 4.096 calon model.

Gambar 23-5: Reversing F1 dan F2 menghasilkan model kandidat sama

356 Contoh 23

Terjadinya calon model setara membuatnya jelas bagaimana menerapkan perhitungan Bayesian untuk memilih model dalam contoh ini. Demikian pula, tidak jelas bagaimana menggunakan bobot Akaike. Selanjutnya, Burnham dan Anderson pedoman (lihat hal. 326) untuk menafsirkan BCC0 didasarkan pada penalaran tentang bobot Akaike, sehingga tidak jelas apakah pedoman tersebut diterapkan dalam contoh ini. Di sisi lain, penggunaan BCC0 tanpa mengacu kepada pedoman Burnham dan Anderson tampaknya unexceptionable. Model 52 (atau setara Model 53) adalah model terbaik menurut BCC0. Meskipun BCC0 memilih model yang digunakan dalam Contoh 8, yang didasarkan pada model Joreskog dan Sörbom (1996), mungkin dicatat bahwa Model 62 (atau yang setara, Model 63) adalah sangat dekat kedua dalam hal BCC0 dan model terbaik menurut beberapa tindakan sesuai lainnya. Model 63 memiliki diagram jalur berikut:

Gambar 23-6: Model 63

Faktor-faktor, F1 dan F2, tampak kasar ditafsirkan sebagai kemampuan spasial dan kemampuan verbal di kedua Model 53 dan 63. Kedua model berbeda dalam penjelasan mereka skor pada tes kubus. Dalam Model 53, kubus skor sepenuhnya tergantung pada kemampuan spasial. Dalam Model 63, kubus skor tergantung pada kedua kemampuan spasial dan kemampuan verbal.

Karena itu adalah panggilan dekat dalam hal setiap kriteria berdasarkan fit dan kekikiran, mungkin sangat tepat di sini untuk memperhatikan interpretability sebagai kriteria pemilihan model. Tes scree pada langkah berikutnya, bagaimanapun, tidak berdalih untuk yang model terbaik.

357 eksplorasi Analisis Faktor dengan Spesifikasi Pencarian

The scree plot yang sangat menunjukkan penggunaan 13 parameter karena cara grafik turun tingkat tiba-tiba dan kemudian pergi segera setelah parameter 13. Klik titik dengan koordinat 13 pada sumbu horizontal. Sebuah pop-up menunjukkan bahwa titik mewakili Model 52 dan 53, seperti yang ditunjukkan pada Gambar 23-4 di halaman. 355.

Melihat Daftar Pendek Model

pada Spesifikasi toolbar Search. Mencatat daftar pendek dari model untuk referensi di masa mendatang.

358 Contoh 23

Heuristic Spesifikasi Pencarian

Jumlah model yang harus dipasang dalam spesifikasi pencarian yang melelahkan tumbuh pesat dengan jumlah panah opsional. Ada 12 anak panah opsional pada Gambar 23-02 Desember di halaman. 351 sehingga spesifikasi pencarian yang melelahkan membutuhkan pas 2 = 4096 model. (Jumlah model akan lebih kecil jika Anda menentukan angka positif kecil untuk Mempertahankan hanya best___models pada pencarian tab berikutnya dalam kotak dialog Options.) Sejumlah prosedur pencarian heuristik telah diusulkan untuk mengurangi jumlah model yang memiliki untuk dipasang (Salhi, 1998). Tak satu pun dari dijamin untuk menemukan model terbaik, tetapi mereka memiliki keuntungan menjadi komputasi layak dalam masalah dengan lebih dari, katakanlah, 20 anak panah opsional mana spesifikasi pencarian yang melelahkan adalah mustahil. Amos menyediakan tiga strategi pencarian heuristik di samping pilihan pencarian yang melelahkan. Strategi heuristik tidak mencoba untuk menemukan model terbaik secara keseluruhan karena ini akan memerlukan memilih definisi terbaik dari segi minimum atau maksimum ukuran cocok tertentu.

Sebaliknya, strategi heuristik mencoba untuk menemukan model 1-parameter dengan perbedaan terkecil, model 2-parameter dengan perbedaan terkecil, dan seterusnya. Dengan mengadopsi pendekatan ini, prosedur pencarian dapat dirancang yang independen dari pilihan ukuran fit. Anda dapat memilih antara strategi pencarian yang tersedia pada pencarian tab berikutnya dalam kotak dialog Options. Pilihannya adalah sebagai berikut:

Semua subset. Pencarian yang melelahkan dilakukan. Ini adalah default. Maju. Program ini pertama cocok model tanpa panah opsional. Kemudian menambahkan satu

panah opsional pada suatu waktu, selalu menambahkan mana panah memberikan pengurangan terbesar dalam perbedaan.

Mundur. Program ini pertama cocok model dengan semua panah opsional dalam model.

Kemudian menghapus satu panah opsional pada satu waktu, selalu menghapus mana panah memberikan kenaikan terkecil dalam perbedaan.

Bertahap. Program ini bergantian antara pencarian Maju dan Mundur,

dimulai dengan pencarian Teruskan. Program ini melacak model terbaik 1-optionalarrow ditemui, model 2-opsional panah terbaik, dan sebagainya. Setelah Teruskan pencarian pertama, algoritma pencarian Maju dan Mundur dimodifikasi oleh aturan berikut: Program ini akan menambahkan panah atau menghapus panah hanya jika model yang dihasilkan memiliki perbedaan kecil daripada model sebelumnya ditemui dengan jumlah yang sama panah. Sebagai contoh, program akan menambahkan panah untuk model 5-opsional panah hanya jika model 6-opsional panah yang dihasilkan memiliki perbedaan kecil daripada sebelumnya ditemui model 6-opsional-panah. Depan

359 eksplorasi Analisis Faktor dengan Spesifikasi Pencarian

dan Mundur pencarian secara berganti-ganti sampai satu Maju atau Mundur pencarian selesai dengan tidak ada perbaikan.

Melakukan Pencarian Stepwise

E Pilih Stepwise. E Pada Spesifikasi toolbar Pencarian, klik

.

Hasil pada Gambar 23-7 menyarankan memeriksa model 13-parameter, Model 7. Its perbedaan C jauh lebih kecil daripada perbedaan untuk model 12-parameter terbaik dan tidak lebih besar dari model 14-parameter terbaik. Model 7 ini juga yang terbaik baik menurut BCC dan BIC. (Hasil Anda mungkin berbeda dari yang pada gambar karena unsur keacakan dalam algoritma pencarian heuristik spesifikasi. Ketika menambahkan panah selama langkah maju atau menghapus panah selama langkah mundur, mungkin tidak menjadi pilihan terbaik yang unik. Dalam hal ini, satu panah diambil secara acak dari antara panah yang terikat untuk terbaik.)

Gambar 23-7: Hasil pencarian spesifikasi bertahap

360 Contoh 23

The scree plot yang menegaskan bahwa menambahkan parameter ke-13 memberikan pengurangan substansial dalam perbedaan dan menambahkan parameter tambahan di luar 13 hanya menyediakan sedikit pengurangan.

Gambar 23-8: Plot Scree setelah bertahap spesifikasi pencarian E Klik titik di plot scree dengan horisontal koordinat 13, seperti pada Gambar 23-8. Itu

pop-up yang muncul menunjukkan bahwa Model 7 adalah model 13-parameter terbaik.

E Klik 7 (25.62) pada pop-up. Ini menampilkan diagram jalur untuk model 7 di

menggambar daerah.

Tip: Anda juga dapat melakukan ini dengan mengklik dua kali baris untuk Model 7 di jendela Cari Spesifikasi.

361 eksplorasi Analisis Faktor dengan Spesifikasi Pencarian

Keterbatasan heuristik Spesifikasi Searches

Sebuah spesifikasi heuristik pencari dapat gagal untuk menemukan salah satu model terbaik untuk sejumlah tertentu parameter. Bahkan, pencarian bertahap dalam contoh ini tidak gagal untuk menemukan yang terbaik model 11-parameter. Seperti Gambar 23-7 di halaman. 359 menunjukkan, model terbaik 11-parameter ditemukan oleh pencarian bertahap memiliki perbedaan (C) dari 97,475. Pencarian yang melelahkan, namun, muncul dua model yang memiliki perbedaan dari 55,382. Untuk setiap nomor lain parameter, pencarian bertahap tidak menemukan salah satu model terbaik. Tentu saja, itu hanya ketika Anda bisa melakukan pencarian yang lengkap untuk memeriksa hasil pencarian heuristik yang Anda dapat mengetahui apakah pencarian heuristik berhasil. Dalam masalah-masalah di mana pencarian heuristik adalah satu-satunya teknik yang tersedia, tidak hanya ada ada jaminan bahwa ia akan menemukan salah satu model terbaik untuk setiap jumlah parameter, tetapi tidak ada cara untuk mengetahui apakah telah berhasil melakukannya. Bahkan dalam kasus-kasus di mana pencarian heuristik menemukan salah satu model terbaik untuk sejumlah tertentu parameter, tidak (seperti yang diterapkan dalam Amos) memberikan informasi tentang model lain yang sesuai sama juga atau hampir juga.

24

Multiple-Kelompok Analisis Faktor

Contoh ini menunjukkan analisis faktor dua grup dengan spesifikasi otomatis kendala lintas kelompok.

Contoh ini menggunakan Holzinger dan Swineford anak perempuan dan anak laki-laki '(1939) data dari Contoh 12 dan 15.

Model 24a: Modeling Tanpa Sarana dan Memotong

Kehadiran sarana dan penyadapan sebagai parameter model yang eksplisit menambah kompleksitas analisis beberapa kelompok. Perlakuan sarana dan penyadapan akan ditunda sampai 24b Model. Untuk saat ini, mempertimbangkan pas model analisis faktor berikut, dengan tidak berarti eksplisit dan penyadapan, dengan data anak perempuan dan anak laki-laki:

363

364 Contoh 24

visperc

spasial

lozenges paragrap kalimat wordmean

err_l err_p err_s err_w

lisan

Gambar 24-1: Model Dua-faktor untuk anak perempuan dan anak laki-laki

Ini adalah masalah analisis faktor dua kelompok yang sama yang dianggap dalam Contoh 12. Hasil yang diperoleh dalam Contoh 12 akan diperoleh di sini secara otomatis.

E Dari menu, pilih File → Open. E Pada kotak dialog Open, klik dua kali Ex24a.amw berkas. Dalam instalasi khas,

jalan akan: C: \ Program Files \ IBM \ SPSS \ Amos \ 20Examples \ <language> \ Ex24a.amw. Jalur Diagram adalah sama untuk anak laki-laki untuk anak perempuan dan ditunjukkan pada Gambar 24-1. Beberapa bobot regresi adalah tetap pada 1. Ini bobot regresi akan tetap tetap pada 1 seluruh analisis untuk mengikuti.

The dibantu beberapa analisis-kelompok menambahkan kendala untuk model yang Anda tentukan namun tidak menghilangkan kendala.

Membuka Multiple-Kelompok Analisis Dialog Box

E Dari menu, pilih Analyze → Analisis Multiple-Group. E Klik OK di kotak pesan yang muncul. Ini membuka Analisis Multiple-Kelompok

kotak dialog.

365 Multiple-Kelompok Analisis Faktor

Gambar 24-2: The Multiple-Kelompok Analisis kotak dialog

Sebagian besar waktu, Anda hanya akan klik OK. Kali ini, bagaimanapun, mari kita lihat beberapa bagian dari kotak dialog Analisis Multiple-Group. Ada delapan kolom kotak centang. Periksa tanda muncul hanya dalam kolom berlabel 1, 2, dan 3. Ini berarti bahwa program ini akan menghasilkan tiga model, masing-masing dengan satu set yang berbeda dari kendala lintas kelompok. Kolom 1 berisi tanda centang tunggal di baris berlabel bobot Pengukuran, yang merupakan kependekan dari bobot regresi di bagian pengukuran model. Dalam kasus model analisis faktor, ini adalah faktor loadings. Bagian berikut menunjukkan Anda bagaimana untuk melihat bobot pengukuran dalam diagram jalur. Kolom 1 menghasilkan model di mana bobot pengukuran yang konstan di kelompok (yaitu, sama untuk anak laki-laki untuk anak perempuan). Kolom 2 berisi tanda cek untuk berat Pengukuran dan juga covariances Struktural, yang merupakan kependekan dari varians dan covariances di bagian struktural dari model. Dalam model analisis faktor, ini adalah varians faktor dan covariances. Bagian berikut menunjukkan Anda bagaimana untuk melihat covariances struktural dalam diagram jalur. Kolom 2 menghasilkan model di mana bobot pengukuran dan covariances struktural yang konstan di seluruh kelompok. Kolom 3 berisi semua tanda cek pada kolom 2 dan juga tanda centang di samping residu Pengukuran, yang merupakan kependekan dari varians dan covariances dari sisa variabel (error) di bagian pengukuran model. Bagian berikut menunjukkan Anda bagaimana untuk melihat residu pengukuran dalam diagram jalur.

Ketiga parameter

366 Contoh 24

subset yang muncul dalam hitam (yaitu, tidak abu-abu) huruf saling eksklusif dan lengkap, sehingga kolom 3 menghasilkan model di mana semua parameter yang konstan di kelompok. Singkatnya, kolom 1 sampai 3 menghasilkan hirarki model di mana masing-masing model berisi semua kendala pendahulunya. Pertama, faktor beban tetap konstan di seluruh kelompok. Kemudian, varians faktor dan covariances tetap konstan. Akhirnya, sisa (unik) varians tetap konstan.

Melihat Subset Parameter

E Pada kotak dialog Analisis Multiple-Group, klik bobot Pengukuran.

Bobot pengukuran sekarang ditampilkan dalam warna di area gambar. Jika ada tanda centang di sebelah Alternatif warna pada tab Aksesibilitas kotak dialog Properties Interface, bobot pengukuran juga akan ditampilkan sebagai garis tebal, seperti yang ditunjukkan di sini:

visperc batu belah ketupat paragrap kalimat wordmean

err_v err_c err_l err_p err_s err_w

E Klik covariances Struktural untuk melihat varians faktor dan covariances ditekankan. E Klik Pengukuran residual untuk melihat variabel kesalahan ditekankan.

Ini adalah cara mudah untuk memvisualisasikan parameter yang dipengaruhi oleh setiap kendala lintas kelompok.

367 Multiple-Kelompok Analisis Faktor

Melihat Model Generated

E Pada kotak dialog Analisis Multiple-Group, klik OK.

Jalur Diagram sekarang menunjukkan nama untuk semua parameter. Pada panel di sebelah kiri diagram jalur, Anda dapat melihat bahwa program ini telah menghasilkan tiga model baru selain model Yang tanpa di mana tidak ada kendala lintas kelompok sama sekali.

Gambar 24-3: window Graphics Amos setelah kendala otomatis E Klik dua kali XX: Pengukuran berat. Ini akan membuka kotak dialog Manage Model,

yang berisi kendala yang memerlukan faktor loadings akan konstan di seluruh kelompok.

368 Contoh 24

Pemasangan Semua Model dan Melihat Output

E Dari menu, pilih Analyze → Hitung Perkiraan untuk cocok untuk semua model. E Dari menu, pilih View → Text Output. E Dalam pohon navigasi dari penampil output, klik Model Fit simpul untuk memperluas itu, dan kemudian klik CMIN.

Tabel CMIN menunjukkan rasio kemungkinan statistik chi-kuadrat untuk setiap model dipasang.

Data tidak berangkat secara signifikan dari salah satu model. Selain itu, pada setiap langkah hirarki dari model Yang tanpa ke model residual Pengukuran, peningkatan chi-square tidak pernah jauh lebih besar daripada peningkatan derajat kebebasan. Ada tampaknya tidak ada bukti yang signifikan bahwa gadis-gadis 'nilai parameter berbeda dari anak laki-laki' nilai parameter.

369 Multiple-Kelompok Analisis Faktor

Berikut ini adalah tabel CMIN:

Model NPAR CMIN DF P CMIN / DF

Dibatasi Pengukuran bobot Struktural covariances Pengukuran residu Jenuh Model Model Kemerdekaan

26 22 19 13 42 12

16,48 18,29 22,04 26,02 0,00 337,55

16 20 23 29 0 30

0,42 0,57 0,52 0,62 0,00

1,03 0,91 0,96 0,90 11,25

E Dalam pohon navigasi, klik AIC bawah Fit simpul Model.

Nilai AIC dan BCC menunjukkan bahwa yang terbaik trade-off model fit dan kekikiran diperoleh dengan membatasi semua parameter harus sama di seluruh kelompok (model residual Pengukuran). Berikut ini adalah tabel AIC:

Model AIC BCC BIC CAIC

68,48 62,29 60,04 52,02 84,00 361,55

74,12 67,07 64,16 54,84 93,12 364,16

Menyesuaikan Analisis

Ada dua peluang untuk menimpa secara otomatis kendala lintas kelompok. Dalam Gambar 24-2 di halaman. 365, Anda bisa mengubah tanda cek dalam kolom 1, 2, dan 3, dan Anda bisa dihasilkan model tambahan dengan menempatkan tanda cek dalam kolom 4 sampai 8. Kemudian, pada Gambar 24-3 di halaman. 367, Anda bisa diganti atau diubah salah satu model secara otomatis terdaftar dalam panel di bagian kiri diagram jalur.

370 Contoh 24

Model 24b: Membandingkan Sarana Factor

Memperkenalkan cara eksplisit dan penyadapan ke dalam model menimbulkan pertanyaan tambahan tentang yang kendala parameter lintas kelompok harus diuji, dan dalam rangka apa. Contoh ini menunjukkan bagaimana Amos kendala sarana dan penyadapan sementara pas model analisis faktor dalam Gambar 24-1 di halaman. 364 data dari kelompok yang terpisah dari anak perempuan dan anak laki-laki. Ini adalah masalah analisis faktor dua kelompok yang sama yang dianggap dalam Contoh 15. Hasil dalam Contoh 15 akan diperoleh di sini secara otomatis.

E Pada kotak dialog Open, klik dua kali Ex24b.amw berkas. jalan akan: C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Contoh \ <language> \ Ex24b.amw. Jalur Diagram adalah sama untuk anak laki-laki untuk anak perempuan dan ditampilkan di bawah. Sarana semua variabel teramati adalah tetap pada 0. Pada bagian berikut, Anda akan menghapus kendala pada gadis-gadis 'faktor berarti. Kendala lain (orang-orang yang Anda tidak menghapus) akan tetap berlaku sepanjang analisis.

0, 1

0,

err_v

err_c

lozenges paragrap

err_l

err_p

err_s

Gambar 24-4: Model Dua Faktor dengan cara eksplisit dan penyadapan

371 Multiple-Kelompok Analisis Faktor

Menghapus Kendala

Awalnya, faktor sarana tetap pada 0 untuk kedua anak laki-laki dan perempuan.

Hal ini tidak mungkin untuk memperkirakan faktor sarana untuk kedua kelompok. Namun, Sörbom (1974) menunjukkan bahwa, dengan memperbaiki faktor sarana satu kelompok dengan nilai-nilai konstan dan menempatkan kendala yang sesuai pada bobot regresi dan penyadapan dalam model faktor, adalah mungkin untuk mendapatkan perkiraan bermakna faktor sarana untuk semua kelompok lain. Dalam contoh ini, ini berarti memilih satu kelompok, misalnya anak laki-laki, dan memperbaiki faktor mereka berarti konstan, katakanlah 0, dan kemudian menghapus kendala pada faktor sarana kelompok yang tersisa, gadis-gadis. Kendala pada bobot regresi dan penyadapan yang dibutuhkan oleh pendekatan Sörbom akan dibuat secara otomatis oleh Amos. Anak-anak 'faktor berarti sudah tetap pada 0. Untuk menghapus kendala pada gadis-gadis 'faktor sarana, lakukan hal berikut:

E Di area gambar dari jendela Graphics Amos, klik kanan dan pilih Spatial Object Properties dari menu pop-up. E Pada kotak dialog Obyek Properties, klik tab Parameter. E Pilih 0 di kotak Mean, dan tekan tombol Delete. E Dengan kotak dialog Properties Object masih terbuka, klik Verbal di area gambar. Ini

menampilkan properti untuk faktor verbal dalam kotak dialog Object Properties.

E Pada kotak Berarti pada tab Parameter, pilih 0 dan tekan tombol Delete. E Tutup kotak dialog Object Properties.

372 Contoh 24

Sekarang bahwa kendala pada gadis-gadis 'faktor berarti telah dihapus, gadis-gadis' dan diagram jalur anak laki-laki terlihat seperti ini:

1

visperc

0,

err_v

0, 0,

spasial

kubus

err_c

lozenges paragrap

err_l

err_p

lisan

kalimat

err_s

wordmean

err_w

Gadis

Anak laki-laki

Tip: Untuk beralih di antara diagram jalur di area gambar, klik salah satu anak laki-laki atau Perempuan dalam Daftar Kelompok panel ke kiri.

Menghasilkan Kendala Cross-Kelompok

E Dari menu, pilih Analyze → Analisis Multiple-Group. E Klik OK di kotak pesan yang muncul. Ini membuka Analisis Multiple-Kelompok

kotak dialog.

373 Multiple-Kelompok Analisis Faktor

Pengaturan default, seperti yang ditunjukkan di atas, akan menghasilkan hirarki bersarang berikut lima model:

Kendala Model

Model 1 (kolom 1) Model 2 (kolom 2) Model 3 (kolom 3) Model 4 (kolom 4) Model 5 (kolom 5)

E Klik OK.

Pengukuran bobot (faktor loadings) adalah sama di seluruh kelompok. Semua hal di atas, dan pengukuran penyadapan (penyadapan dalam persamaan untuk memprediksi variabel diukur) adalah sama di seluruh kelompok. Semua hal di atas, dan struktural berarti (faktor sarana) adalah sama di seluruh kelompok. Semua hal di atas, dan struktural covariances (varians faktor dan covariances) adalah sama di seluruh kelompok. Semua parameter adalah sama di seluruh kelompok.

Pas Model

E Dari menu, pilih Analyze → Hitung Perkiraan.

Panel di sebelah kiri diagram jalur menunjukkan bahwa dua model tidak dapat dipasang pada data. Kedua model yang tidak bisa dipasang, model Yang tanpa tanpa

374 Contoh 24

kendala lintas kelompok, dan Pengukuran bobot Model dengan beban faktor diadakan sama di

seluruh kelompok, yang teridentifikasi.

Melihat Output

E Dari menu, pilih View → Text Output. E Dalam pohon navigasi dari penampil output, memperluas Fit simpul Model.

Beberapa langkah cocok untuk empat model yang dihasilkan secara otomatis dan diidentifikasi ditampilkan di sini, bersama dengan langkah-langkah cocok untuk model jenuh dan kemandirian.

E Klik CMIN bawah Fit simpul Model.

Tabel CMIN menunjukkan bahwa tidak ada model yang dihasilkan dapat ditolak ketika diuji terhadap model jenuh.

Model NPAR CMIN DF P CMIN / DF

Pengukuran penyadapan Struktural berarti covariances Struktural Pengukuran residu Jenuh Model Independence Model

30 28 25 19 54 24

22,593 30,624 34,381 38,459 0,00 337,553

24 26 29 35 0 30

0,544 0,243 0,226 0,316 0,00

0,941 1,178 1,186 1,099 11,252

Di sisi lain, perubahan chi-square (30,62-22,59 = 8.03) ketika memperkenalkan sama-factor-kendala berarti terlihat besar dibandingkan dengan perubahan derajat kebebasan (26-24 = 2).

E Dalam pohon navigasi, klik Perbandingan simpul Model.

375 Multiple-Kelompok Analisis Faktor

Dengan asumsi Model penyadapan Pengukuran untuk menjadi benar, tabel berikut menunjukkan bahwa perbedaan chi-square yang signifikan:

Model DF CMIN P NFI Delta-1 IFI Delta-2 RFI rho-1 TLI rho2

Struktural berarti Struktural covariances Pengukuran residual

2 5 11

8.030 11,787 15,865

0,018 0,024 0,038 0,035 0,146 0,047

0.026 0.038 0.051

0.021 0.022 0.014

0,023 0,024 0,015

Dalam dua tabel sebelumnya, dua statistik chi-square dan derajat yang terkait dari 2 kebebasan sangat penting. Yang pertama, χ = 22.59 dengan df = 24, diperbolehkan menerima hipotesis penyadapan sama dan bobot regresi yang sama dalam model pengukuran. Itu penting untuk membangun kredibilitas hipotesis ini karena, tanpa penyadapan sama dan bobot regresi yang sama, itu akan menjadi jelas bahwa faktor-faktor memiliki arti yang sama bagi anak laki-laki untuk anak perempuan dan sehingga tidak akan ada 2 minat membandingkan kemampuan mereka. Yang penting lainnya statistik chi-square, χ = 8.03 dengan df = 2, menyebabkan penolakan hipotesis bahwa anak laki-laki dan perempuan memiliki faktor sarana yang sama. Perbedaan kelompok antara anak laki-laki dan perempuan 'faktor berarti dapat ditentukan dari perkiraan para gadis' dalam model penyadapan Pengukuran.

E Pilih Pengukuran penyadapan model panel di kiri bawah output

penampil.

E Dalam pohon navigasi, klik Perkiraan, maka skalar, dan kemudian Means.

Anak-anak 'berarti yang tetap pada 0, sehingga hanya gadis-gadis' berarti diperkirakan, seperti yang ditunjukkan dalam tabel berikut:

Perkirakan S.E. C.R. P Label

spasial lisan

-1,066 0,956

0,881 0,521

-1,209 1,836

0,226 m1_1 0.066 m2_1

Perkiraan ini dibahas dalam Model A dari Contoh 15, yang identik dengan hadir Pengukuran Model penyadapan. (Model B Contoh 15 adalah identik dengan hadir Struktural berarti model.)

Contoh

25

Analisis kelompok-kelompok

Pengantar

Contoh ini menunjukkan Anda bagaimana untuk secara otomatis menerapkan alternatif Sörbom untuk analisis kovarians.

Contoh 16 menunjukkan manfaat dari pendekatan Sörbom untuk analisis kovarians dengan variabel laten. Sayangnya, sebagai contoh 16 juga menunjukkan, pendekatan Sörbom sulit diterapkan, melibatkan banyak langkah. Contoh ini otomatis memperoleh hasil yang sama seperti Contoh 16.

Tentang Data

The Olsson (1973) data dari Contoh 16 akan digunakan di sini. Sampel saat dapat ditemukan di UserGuide.xls workbook. Contoh saat dari kelompok eksperimen berada di Olss_exp worksheet. Contoh saat dari kelompok kontrol berada di Olss_cnt worksheet.

Tentang Model

Model ini digambarkan dalam Contoh 16. Metode Sörbom mensyaratkan bahwa eksperimen dan kelompok kontrol memiliki diagram jalur yang sama.

377

378 Contoh 25

eps1

eps2

eps3

eps4

pre_syn

pre_opp

post_syn

post_opp

pre_verbal

post_verbal

1 0,

zeta

Gambar 25-1: Model Sörbom untuk Olsson Data

Menentukan Model

E Terbuka Ex25.amw. Jika Anda melakukan instalasi khas, jalan akan

C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Contoh \ <language> \ Ex25.amw. Jalur Diagram adalah sama untuk kontrol dan kelompok eksperimen dan ditunjukkan pada Gambar 25-1. Beberapa bobot regresi adalah tetap pada 1. Sarana semua residual (error) berarti variabel adalah tetap pada 0. Kendala ini akan tetap berlaku sepanjang analisis.

Menghambat laten Variabel Sarana dan Memotong

Model pada Gambar 25-1, Model Sörbom untuk Olsson data, tidak teridentifikasi dan akan tetap tidak teridentifikasi untuk setiap set kendala lintas-kelompok yang secara otomatis menghasilkan Amos. Untuk setiap set kendala lintas kelompok, mean pre_verbal dan mencegat dalam persamaan untuk memprediksi post_verbal akan teridentifikasi. Dalam rangka untuk memungkinkan model yang akan diidentifikasi untuk setidaknya beberapa kendala lintas kelompok, perlu untuk memilih satu kelompok, seperti kelompok kontrol, dan memperbaiki mean pre_verbal dan mencegat post_verbal ke konstan, seperti 0.

E Dalam Daftar Kelompok panel di sebelah kiri diagram jalur, pastikan Kontrol yang dipilih.

Hal ini menunjukkan bahwa diagram jalur untuk kelompok kontrol ditampilkan di area gambar.

379 Analisis Multiple-Kelompok

E Di area gambar, klik kanan dan pilih pre_verbal Object Properties dari pop-

up menu.

E Dalam kotak teks Mean, tipe 0. E Dengan kotak dialog Properties Object masih terbuka, klik post_verbal di area gambar. E Pada kotak teks Intercept dari kotak dialog Obyek Properties, tipe 0. Sekarang, diagram jalur untuk kelompok kontrol muncul sebagai berikut:

0, 0, 0, 0,

pre_verbal

0 1 0,

Jalur Diagram untuk kelompok eksperimen terus terlihat seperti Gambar 25-1.

Membangkitkan Kendala Cross-Kelompok

E Klik OK di kotak pesan yang muncul.

The Multiple-Kelompok Analisis kotak dialog muncul.

380 Contoh 25

E Klik OK untuk menghasilkan hirarki bersarang berikut delapan model:

Model

Kendala

Model 1 (kolom 1) Model 2 (kolom 2) Model 3 (kolom 3) Model 4 (kolom 4) Model 5 (kolom 5) Model 6 (kolom 6) Model 7 (kolom 7) Model 8 (kolom 8)

Pengukuran bobot (faktor loadings) adalah konstan di seluruh kelompok. Semua hal di atas, dan pengukuran penyadapan (penyadapan dalam persamaan untuk memprediksi variabel diukur) adalah konstan di seluruh kelompok. Semua hal di atas, dan berat struktur (berat regresi untuk memprediksi post_verbal) adalah konstan di seluruh kelompok. Semua hal di atas, dan mencegat struktural (intercept dalam persamaan untuk memprediksi post_verbal) adalah konstan di seluruh kelompok. Semua hal di atas, dan rata-rata struktural (rerata pre_verbal) adalah konstan di seluruh kelompok. Semua hal di atas, dan kovarians struktural (varians dari pre_verbal) adalah konstan di seluruh kelompok. Semua hal di atas, dan residu struktural (varians zeta) adalah konstan di seluruh kelompok. Semua parameter yang konstan di kelompok.

381 Analisis Multiple-Kelompok

Kedua model yang tidak bisa dipasang, model dan model Yang tanpa bobot Pengukuran, yang tak dikenal.

Melihat Output Teks

E Dalam pohon navigasi dari penampil output, memperluas Fit simpul Model, dan klik CMIN.

Ini menampilkan beberapa tindakan cocok untuk tujuh model yang dihasilkan secara otomatis dan diidentifikasi, bersama dengan langkah-langkah cocok untuk model jenuh dan kemandirian, seperti yang ditunjukkan dalam tabel CMIN berikut:

Pengukuran penyadapan bobot Struktural penyadapan Struktural Struktural berarti covariances Struktural Struktural residual residual Pengukuran Jenuh Model Model Kemerdekaan

22 21 20 19 18 17 13 28 16

34,775 36,340 84,060 94,970 99,976 112,143 122,366 0,000 682,638

6 7 8 9 10 11 15 0 12

0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

5,796 5,191 10,507 10,552 9,998 10,195 8,158 56,887

382 Contoh 25

Ada banyak statistik chi-square dalam tabel ini, tetapi hanya dua dari mereka peduli. Prosedur Sörbom datang ke dua pertanyaan dasar. Pertama, apakah Struktural bobot model fit? Model ini menentukan bahwa berat regresi untuk memprediksi post_verbal dari pre_verbal konstan di seluruh kelompok. Jika model bobot Struktural diterima, satu menindaklanjuti dengan menanyakan apakah model berikutnya hirarki, model penyadapan Struktural, cocok secara signifikan lebih buruk. Di sisi lain, jika model bobot Struktural harus ditolak, orang tidak pernah sampai ke pertanyaan tentang model penyadapan Struktural. Sayangnya, yang terjadi di sini. 2 Struktural Model bobot, dengan χ = 36,34 dan df = 7, ditolak pada setiap tingkat signifikansi konvensional.

Meneliti Indeks Modifikasi

Untuk melihat apakah mungkin untuk meningkatkan fit dari model bobot Struktural:

E Tutup penampil output. E Dari menu Graphics Amos, pilih View → Analisis Properties. E Klik tab output dan pilih Modifikasi Indeks kotak centang. E Tutup Analisis Properti kotak dialog. E Dari menu, pilih Analyze → Hitung Perkiraan untuk cocok untuk semua model.

Hanya indeks modifikasi untuk model bobot Struktural perlu diperiksa karena ini adalah satu-satunya model yang fit sangat penting untuk analisis.

E Dari menu, pilih View → Text Output, pilih Indeks Modifikasi di pohon navigasi penampil output, kemudian pilih bobot Struktural di panel kiri bawah. E Memperluas Modifikasi Indeks node dan pilih covariances.

Seperti yang dapat Anda lihat pada tabel berikut kovarians untuk kelompok kontrol, hanya satu indeks modifikasi melebihi ambang default 4:

M.I. Ubah Par

eps2 <-> eps4 4,553

2,073

383 Analisis Multiple-Kelompok

E Sekarang klik eksperimental di panel di sebelah kiri. Seperti yang Anda lihat sebagai berikut

tabel kovarians untuk kelompok eksperimental, ada empat indeks modifikasi lebih besar dari 4:

eps2 <-> eps4 eps2 <-> eps3 eps1 <-> eps4 eps1 <-> eps3

9,314 9,393 8,513 6,192

4,417 -4,117 -3,947 3,110

Dari jumlah tersebut, hanya dua modifikasi memiliki pembenaran teoritis jelas: memungkinkan eps2 berkorelasi dengan eps4, dan memungkinkan eps1 berkorelasi dengan eps3. Antara kedua, memungkinkan eps2 berkorelasi dengan eps4 memiliki semakin besar indeks modifikasi. Dengan demikian indeks modifikasi dari kelompok kontrol dan kelompok eksperimen kedua menyarankan memungkinkan eps2 berkorelasi dengan eps4.

Memodifikasi Model dan Mengulangi Analisis

E Dari menu, pilih Diagram → covariances Draw. E Klik dan drag untuk menggambar panah berkepala dua antara eps2 dan eps4. E Dari menu, pilih Analyze → Analisis Multiple-Group, dan klik OK di

kotak pesan yang muncul.

E Pada kotak dialog Analisis Multiple-Group, klik OK. E Dari menu, pilih Analyze → Hitung Perkiraan untuk cocok untuk semua model. E Gunakan pohon navigasi untuk melihat langkah-langkah sesuai untuk model bobot Struktural.

Dengan tambahan panah berkepala dua menghubungkan eps2 dan eps4, Struktural 2 bobot model yang memiliki cukup fit (χ = 3.98 dengan df = 5), seperti yang ditunjukkan dalam tabel CMIN berikut:

384 Contoh 25

NPAR

CMIN

DF

P

CMIN / DF

24 23 22 21 20 19 14 28 16

2,797 3,976 55,094 63,792 69,494 83,194 93,197 0,000 682,638

4 5 6 7 8 9 14 0 12

0.59 0.55 0.00 0.00 0.00 0.00 0.00 0.00

0,699 0,795 9,182 9,113 8,687 9,244 6,657 56,887

Sekarang bahwa model bobot Struktural sesuai data, dapat ditanyakan apakah model penyadapan Struktural cocok secara signifikan lebih buruk. Dengan asumsi model bobot Struktural untuk menjadi benar:

Penyadapan Struktural Struktural berarti covariances Struktural Struktural residu Pengukuran residual

1 2 3 4 9

51,118 59,816 65,518 79,218 89,221

0,000 0,000 0,000 0,000 0,000

0,075 0,088 0,096 0,116 0,131

0,075 0,088 0,097 0,117 0,132

0,147 0,146 0,139 0,149 0,103

0,150 0,149 0,141 0,151 0,105

Struktural Model penyadapan tidak cocok secara signifikan lebih buruk daripada model bobot Struktural. Ketika mencegat dalam persamaan untuk memprediksi post_verbal diperlukan akan konstan di seluruh kelompok, statistik chi-square meningkat sebesar 51.12 sedangkan derajat kebebasan meningkat dengan hanya 1. Artinya, intersep untuk kelompok eksperimen berbeda secara signifikan dari intercept untuk kelompok kontrol. Mencegat untuk kelompok eksperimental diperkirakan 3,627.

post_verbal pre_syn pre_opp post_syn post_opp

3,627 18,619 19,910 20,383 21,204

0,478 0,594 0,541 0,535 0,531

7,591 31,355 36,781 38,066 39,908

<0,001 <0,001 <0,001 <0,001 <0,001

j1_2 i1_1 i2_1 i3_1 i4_1

Mengingat bahwa intersep untuk kelompok kontrol ditetapkan pada 0, diperkirakan bahwa pengobatan meningkatkan skor post_verbal sebesar 3,63 dengan pre_verbal dianggap konstan. Hasil yang diperoleh dalam contoh ini identik dengan hasil dari Contoh 16. Struktural Model bobot sama dengan Model D pada Contoh 16. Struktural Model penyadapan adalah sama sebagai Model T dalam Contoh 16.

26

Estimasi Bayesian

Contoh ini menunjukkan estimasi Bayesian menggunakan Amos.

Estimasi Bayesian

Dalam estimasi kemungkinan maksimum dan pengujian hipotesis, nilai-nilai sebenarnya dari parameter model dipandang sebagai tetap tetapi tidak diketahui, dan perkiraan parameter dari sampel yang diberikan dipandang sebagai acak tetapi dikenal. Sebuah jenis alternatif inferensi statistik, disebut pendekatan Bayesian, memandang setiap kuantitas yang tidak diketahui sebagai variabel acak dan memberikan sebuah distribusi probabilitas. Dari sudut pandang Bayesian, parameter model yang benar tidak diketahui dan karena itu dianggap acak, dan mereka ditugaskan distribusi probabilitas gabungan. Distribusi ini tidak dimaksudkan untuk menunjukkan bahwa parameter yang bervariasi atau berubah dalam beberapa mode. Sebaliknya, distribusi ini dimaksudkan untuk merangkum keadaan pengetahuan kita, atau apa yang saat ini diketahui tentang parameter. Distribusi parameter sebelum data terlihat disebut distribusi prior. Setelah data yang diamati, bukti yang diberikan oleh data yang dikombinasikan dengan distribusi prior dengan formula terkenal yang disebut Bayes 'Teorema. Hasilnya adalah distribusi diperbarui untuk parameter, disebut distribusi posterior, yang mencerminkan kombinasi dari kepercayaan sebelumnya dan bukti empiris (Bolstad, 2004). Manusia cenderung memiliki kesulitan memvisualisasikan dan menafsirkan distribusi posterior gabungan untuk parameter model. Karena itu, ketika melakukan analisis Bayesian, salah satu kebutuhan ringkasan dari distribusi posterior yang mudah untuk

385

386 Contoh 26

menafsirkan. Cara yang baik untuk memulai adalah untuk merencanakan kepadatan posterior marjinal untuk setiap parameter, satu per satu. Seringkali, terutama dengan sampel data yang besar, distribusi posterior untuk parameter marjinal cenderung menyerupai distribusi normal. Mean dari distribusi posterior marjinal, disebut berarti posterior, dapat dilaporkan sebagai perkiraan parameter. Posterior standar deviasi, standar deviasi dari distribusi, adalah ukuran yang berguna ketidakpastian mirip dengan standard error konvensional. Analog dari interval keyakinan dapat dihitung dari persentil dari distribusi posterior marjinal, interval yang berjalan dari 2,5 persentil ke 97,5 persentil membentuk interval kredibel Bayesian 95%. Jika distribusi posterior marjinal mendekati normal, interval kredibel 95% akan kurang lebih sama dengan rata-rata posterior ± 1,96 posterior standar deviasi. Dalam hal ini, interval kredibel menjadi dasarnya identik dengan interval kepercayaan biasa yang mengasumsikan distribusi normal sampel untuk estimasi parameter. Jika distribusi posterior tidak normal, interval tidak akan simetris terhadap mean posterior. Dalam hal ini, versi Bayesian sering memiliki sifat lebih baik dari yang konvensional. Tidak seperti interval kepercayaan konvensional, interval kredibel Bayesian ditafsirkan sebagai pernyataan probabilitas tentang parameter sendiri, Prob (a ≤ θ ≤ b) = 0,95) secara harfiah berarti bahwa Anda adalah 95% yakin bahwa nilai sebenarnya dari θ terletak antara dan b. Daerah ekor dari distribusi posterior marjinal bahkan dapat digunakan sebagai semacam Bayesian nilai p untuk pengujian hipotesis. Jika 96,5% dari daerah di bawah kepadatan posterior marjinal untuk θ terletak di sebelah kanan beberapa nilai, maka nilai p Bayesian untuk menguji hipotesis nol θ ≤ terhadap hipotesis alternatif θ> adalah 0,045. Dalam hal ini, yang benar-benar akan mengatakan, saya 96,5% yakin bahwa hipotesis alternatif benar. Meskipun ide inferensi Bayesian tanggal kembali ke abad ke-18, penggunaannya oleh para ahli statistik telah jarang sampai baru-baru ini. Bagi beberapa orang, keengganan untuk menerapkan metode Bayesian berasal dari ketidaksukaan filosofis untuk melihat probabilitas sebagai keadaan keyakinan dan dari subjektivitas yang melekat dalam memilih distribusi sebelumnya. Tapi bagi sebagian besar, analisis Bayesian telah langka karena metode komputasi untuk meringkas distribusi posterior gabungan telah sulit atau tidak tersedia. Menggunakan kelas baru teknik simulasi yang disebut rantai Markov Monte Carlo (MCMC), namun, sekarang mungkin untuk menarik nilai acak parameter dari dimensi tinggi distribusi posterior sendi, bahkan dalam masalah yang kompleks. Dengan MCMC, mendapatkan ringkasan posterior menjadi sesederhana merencanakan histogram dan menghitung sampel sarana dan persentil.

387 Estimasi Bayesian

Memilih Priors

Sebuah distribusi prior mengkuantifikasi keyakinan peneliti tentang di mana parameter yang tidak diketahui mungkin berbohong. Pengetahuan tentang bagaimana suatu variabel didistribusikan dalam populasi kadang-kadang dapat digunakan untuk membantu para peneliti memilih prior wajar untuk parameter bunga. Hox (2002) mengutip contoh dari tes kecerdasan bernorma dengan rata-rata 100 unit dan deviasi standar dari 15 unit pada populasi umum. Jika tes ini diberikan kepada peserta dalam sebuah penelitian yang cukup representatif dari populasi umum, maka akan masuk akal untuk pusat distribusi sebelumnya untuk mean dan deviasi standar dari nilai tes pada 100 dan 15, masing-masing. Mengetahui bahwa variabel yang diamati dibatasi dapat membantu kita untuk menempatkan batas pada parameter. Misalnya, rata-rata item survei Likert mengambil nilai 0, 1, ..., 10 harus terletak antara 0 dan 10, dan varians maksimum adalah 25. Sebelum distribusi untuk mean dan varians dari item ini dapat ditentukan untuk menegakkan batas-batas ini. Dalam banyak kasus, orang akan ingin menentukan distribusi prior yang memperkenalkan informasi sesedikit mungkin, sehingga data dapat diizinkan untuk berbicara sendiri. Sebuah distribusi prior dikatakan menyebar jika menyebar probabilitas pada rentang yang sangat luas nilai parameter. Secara default, Amos menerapkan distribusi seragam dari - 38 38-3,4 × 10-3,4 × 10 masing-masing parameter. Distribusi sebelum membaur sering dikatakan non-informatif, dan kami akan menggunakan istilah itu juga. Dalam arti sempit, namun, tidak ada distribusi prior yang pernah benar-benar noninformative, bahkan distribusi seragam atas seluruh rentang nilai yang diijinkan, karena akan berhenti menjadi seragam jika parameter diubah. (Anggaplah, misalnya, bahwa varians dari variabel yang merata dari 0 sampai ∞, maka standar deviasi tidak akan terdistribusi secara merata.) Setiap distribusi prior disertai dengan setidaknya beberapa informasi. Sebagai ukuran dataset tumbuh, bukti dari data akhirnya rawa informasi ini, dan pengaruh dari distribusi prior berkurang. Kecuali sampel Anda adalah luar biasa kecil atau jika model dan / atau distribusi prior yang sangat bertentangan dengan data, Anda akan menemukan bahwa jawaban dari analisis Bayesian cenderung berubah sangat sedikit jika sebelum diubah. Amos membuatnya mudah bagi Anda untuk mengubah distribusi prior untuk parameter apapun, sehingga Anda dapat dengan mudah melakukan semacam ini sensitivitas cek.

388 Contoh 26

Melakukan Estimasi Bayesian Menggunakan Amos Graphics

Untuk menggambarkan estimasi Bayesian menggunakan Amos Graphics, kita kembali Contoh 3, yang menunjukkan bagaimana untuk menguji hipotesis nol bahwa kovarians antara dua variabel adalah 0 dengan menetapkan nilai dari kovarians antara usia dan kosakata untuk 0.

Memperkirakan Kovarian yang

Hal pertama yang perlu kita lakukan untuk contoh ini adalah untuk menghapus kendala nol pada kovarians sehingga kovarians dapat diperkirakan.

E Terbuka Ex03.amw. C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Contoh \ <language>.

E Klik kanan panah berkepala dua dalam diagram jalur dan pilih Properties Object

dari menu pop-up.

E Menghapus 0 dalam kotak teks Kovarian. 389 Estimasi Bayesian

Ini adalah diagram jalur yang dihasilkan (Anda juga dapat menemukannya di Ex26.amw):

Hasil Analisis Maximum Likelihood

Sebelum melakukan analisis Bayesian model ini, kami melakukan analisis kemungkinan maksimum untuk tujuan perbandingan.

E Dari menu, pilih Analyze → Hitung Perkiraan untuk menampilkan berikut

estimasi parameter dan standar error:

Covariances: (Group nomor 1 - Model Default)

usia <-> kosakata

Perkiraan -5,014

S.E. 8,560

C.R. -0,586

P 0,558

Label

Varians: (Group nomor 1 - Model Default)

kosakata usia

Perkirakan 21,574 131,294

4,886 29,732

C.R. 4,416 4,416

P ******

390 Contoh 26

Analisa Bayes

Analisis Bayesian membutuhkan estimasi sarana eksplisit dan penyadapan. Sebelum melakukan analisis Bayesian di Amos, Anda harus terlebih dahulu memberitahu Amos untuk memperkirakan sarana dan penyadapan.

E Dari menu, pilih View → Analisis Properties. E Pilih Perkirakan sarana dan penyadapan. (Tanda centang akan muncul di samping itu.)

E Untuk melakukan analisis Bayesian, dari menu, pilih Analyze → Estimasi Bayesian, atau tekan kombinasi keyboard Ctrl + B.

391 Estimasi Bayesian

Bayesian jendela SEM muncul, dan algoritma MCMC segera mulai menghasilkan sampel.

Bayesian jendela SEM memiliki toolbar di dekat bagian atas jendela dan memiliki tabel ringkasan hasil di bawah. Setiap baris dari tabel ringkasan menggambarkan distribusi posterior marjinal parameter model tunggal. Kolom pertama, berlabel Artinya, berisi mean posterior, yang merupakan pusat atau rata-rata dari distribusi posterior. Ini dapat digunakan sebagai titik estimasi Bayesian parameter, berdasarkan data dan distribusi prior. Dengan dataset yang besar, rata-rata posterior akan cenderung dekat dengan estimasi kemungkinan maksimum. (Dalam kasus ini, keduanya agak dekat, membandingkan mean posterior -6,536 untuk kovarians usia kosakata untuk kemungkinan estimasi maksimum -5,014 dilaporkan sebelumnya.)

392 Contoh 26

Replikasi Analisis Bayesian dan Data Hasil Imputasi

The imputasi ganda dan algoritma estimasi Bayesian diterapkan di Amos membuat ekstensif menggunakan aliran nomor acak yang tergantung pada nomor acak benih awal. Perilaku default dari Amos adalah mengubah nomor acak benih setiap kali Anda melakukan estimasi Bayesian, data yang Bayesian imputasi, atau stokastik regresi data yang imputasi. Akibatnya, ketika Anda mencoba untuk meniru salah satu analisis, Anda dapat mengharapkan untuk mendapatkan hasil yang sedikit berbeda karena menggunakan berbeda nomor acak benih. Jika, untuk alasan apapun, Anda memerlukan replikasi yang tepat dari analisis sebelumnya, Anda dapat melakukannya dengan memulai dengan sama acak benih nomor yang digunakan dalam analisis sebelumnya.

Meneliti Benih Saat

Untuk mengetahui apa yang saat ini nomor acak benih atau untuk mengubah nilainya:

E Dari menu, pilih Tools → Seed Manager.

Secara default, Amos kenaikan arus acak jumlah biji per satu untuk setiap permintaan dari metode simulasi yang menggunakan nomor acak (baik Bayesian SEM, stochastic regresi imputasi data, atau Bayesian imputasi data). Amos

393 Estimasi Bayesian

mengelola log bibit yang digunakan sebelumnya, sehingga memungkinkan untuk mencocokkan tanggal pembuatan file hasil analisis sebelumnya dihasilkan atau dataset diperhitungkan dengan tanggal dilaporkan dalam Seed Manager.

Mengubah Benih Saat

E Klik Ubah dan memasukkan biji sebelumnya digunakan sebelum melakukan analisis.

Amos akan menggunakan aliran yang sama dari nomor acak yang digunakan terakhir kali itu dimulai dengan benih itu. Sebagai contoh, kami menggunakan Seed Manager untuk menemukan bahwa Amos menggunakan benih 14942405 ketika analisis untuk contoh ini dilakukan. Untuk menghasilkan hasil analisis Bayesian yang sama seperti yang kita lakukan:

E Klik Ubah dan mengubah benih saat ini untuk 14.942.405.

Gambar berikut menunjukkan kotak dialog Manajer Benih setelah melakukan perubahan:

Sebuah pendekatan yang lebih proaktif adalah untuk memilih nilai benih tetap sebelum menjalankan Bayesian atau analisis imputasi data. Anda dapat memiliki Amos menggunakan nilai benih yang sama untuk semua analisis jika Anda memilih opsi Selalu gunakan benih yang sama.

394 Contoh 26

Catat nilai benih ini di tempat yang aman sehingga Anda dapat meniru hasil analisis Anda di kemudian hari.

Tip: Kami menggunakan nilai benih yang sama dari 14942405 untuk semua contoh dalam buku

ini sehingga Anda

dapat mereproduksi hasil kami. Kami disebutkan sebelumnya bahwa algoritma MCMC digunakan oleh Amos menarik nilai acak parameter dari dimensi tinggi distribusi posterior gabungan via Monte Carlo simulasi dari distribusi posterior parameter. Misalnya, nilai yang dilaporkan dalam kolom Mean bukan berarti posterior yang tepat tetapi perkiraan yang diperoleh rata-rata seluruh sampel acak yang dihasilkan oleh prosedur MCMC. Hal ini penting untuk memiliki setidaknya gambaran kasar tentang berapa banyak ketidakpastian dalam mean posterior disebabkan Monte Carlo sampling. Kolom kedua, diberi label SE, laporan kesalahan standar estimasi yang menunjukkan seberapa jauh Monte-Carlo diperkirakan rata-rata posterior mungkin terletak dari mean posterior benar. Sebagai prosedur MCMC terus menghasilkan lebih banyak sampel, estimasi rata-rata posterior menjadi lebih tepat, dan SE berangsur-angsur turun. Perhatikan bahwa S.E. ini bukan perkiraan seberapa jauh mean posterior mungkin terletak dari nilai sebenarnya tidak diketahui dari parameter. Artinya, seseorang tidak akan menggunakan ± 2 S.E. nilai-nilai sebagai lebar interval 95% untuk parameter.

395 Bayesian Estimasi

Kemungkinan jarak antara mean posterior dan parameter yang benar tidak diketahui dilaporkan dalam kolom ketiga, berlabel SD, dan nomor yang analog dengan standard error dalam estimasi kemungkinan maksimum. Kolom tambahan berisi statistik konvergensi (CS), nilai rata-rata setiap parameter, bawah dan atas 50% batas distribusi setiap parameter, dan kecurangan, kurtosis, nilai minimum, dan nilai maksimum masing-masing parameter.

Bawah dan atas batas 50% adalah endpoint dari Bayesian 50% kredibel set, yang merupakan analog Bayesian interval kepercayaan 50%. Sebagian besar dari kita terbiasa menggunakan tingkat kepercayaan 95%, jadi kita akan segera menunjukkan kepada Anda bagaimana untuk mengubah ke 95%. Bila Anda memilih Menganalisis → Estimasi Bayesian, algoritma MCMC mulai pengambilan sampel segera, dan terus sampai Anda klik tombol Sampling Jeda untuk menghentikan proses. Pada gambar di halaman. 391, sampel dihentikan setelah 500 + 5831 = 6331 sampel selesai. Amos dihasilkan dan dibuang 500 burn-in sampel sebelum menggambar sampel pertama yang dipertahankan untuk analisis. Amos menarik sampel burn-in untuk memungkinkan prosedur MCMC untuk berkumpul dengan distribusi posterior gabungan yang benar. Setelah Amos menarik dan membuang sampel burn-in, ia menarik sampel tambahan untuk

memberikan gambaran yang jelas tentang apa yang distribusi posterior gabungan terlihat seperti. Dalam contoh yang ditunjukkan pada hal. 391, Amos telah menarik 5.831 dari sampel analisis, dan itu adalah pada sampel ini analisis bahwa hasil dalam tabel ringkasan didasarkan. Sebenarnya, hasil yang ditampilkan berlaku untuk 500 burn-in dan 5.500 sampel analisis. Karena algoritma pengambilan sampel menggunakan Amos sangat cepat, memperbarui tabel ringkasan setelah setiap sampel akan mengakibatkan cepat, blur dimengerti mengubah hasil di jendela SEM Bayesian. Hal ini juga akan memperlambat analisis turun. Untuk menghindari kedua masalah, Amos refresh hasil setelah setiap 1.000 sampel.

Mengubah Refresh Pilihan

Untuk mengubah refresh interval:

E Dari menu, pilih View → Options. E Klik tab Refresh di kotak dialog Options untuk menampilkan pilihan menyegarkan.

396 Contoh 26

Anda dapat mengubah interval refresh untuk sesuatu selain default 1.000 pengamatan. Atau, Anda bisa menyegarkan tampilan pada interval waktu yang teratur yang Anda tentukan. Jika Anda memilih Segarkan layar manual, layar akan pernah diperbarui secara otomatis. Terlepas dari apa yang Anda pilih pada tab Segarkan, Anda bisa menyegarkan tampilan secara manual setiap saat dengan mengklik tombol Refresh pada toolbar Bayesian SEM.

Menilai Konvergensi

Apakah ada sampel yang cukup untuk menghasilkan perkiraan stabil parameter? Sebelum membahas pertanyaan ini, mari kita secara singkat membahas apa artinya bagi prosedur untuk telah berkumpul. Konvergensi algoritma MCMC sangat berbeda dari konvergensi metode nonrandom seperti kemungkinan maksimum. Untuk benar memahami konvergensi MCMC, kita perlu membedakan dua jenis yang berbeda. Tipe pertama, yang bisa kita sebut konvergensi dalam distribusi, berarti bahwa sampel analisis, pada kenyataannya, ditarik dari distribusi posterior gabungan sebenarnya parameter. Konvergensi dalam distribusi berlangsung pada periode burn-in, di mana algoritma secara bertahap melupakan nilai awal awal. Karena sampel ini mungkin tidak mewakili dari distribusi posterior yang sebenarnya, mereka dibuang. Default periode burn-in dari 500 cukup konservatif, lebih lama dari yang diperlukan bagi sebagian besar masalah.

Setelah periode burn-in berakhir dan Amos mulai mengumpulkan analisis

397 Estimasi Bayesian

sampel, kita bisa bertanya apakah ada cukup dari sampel untuk secara akurat memperkirakan statistik ringkasan, seperti mean posterior. Pertanyaan itu berkaitan dengan kedua jenis konvergensi, yang bisa kita sebut konvergensi ringkasan posterior. Konvergensi ringkasan posterior rumit oleh fakta bahwa sampel analisis tidak independen namun sebenarnya merupakan time series autocorrelated. The 1001th sampel berkorelasi dengan 1000, yang, pada gilirannya, berkorelasi dengan 999, dan seterusnya. Korelasi ini adalah fitur yang melekat MCMC, dan karena korelasi ini, statistik ringkasan dari 5.500 (atau nomor apapun dari) sampel analisis variabilitas memiliki lebih daripada mereka akan jika 5.500 sampel telah independen. Namun demikian, karena kami terus menumpuk semakin banyak sampel analisis, ringkasan posterior secara bertahap stabil. Amos menyediakan beberapa diagnostik yang membantu Anda memeriksa konvergensi. Perhatikan nilai 1,0083 pada toolbar SEM jendela Bayesian pada hal. 391. Ini adalah statistik konvergensi secara keseluruhan berdasarkan ukuran yang disarankan oleh Gelman, Carlin, Stern, dan Rubin (2004). Setiap kali refresh layar, Amos update CS untuk setiap parameter pada tabel ringkasan, nilai CS pada toolbar adalah yang terbesar dari nilai-nilai CS individu. Secara default, hakim Amos prosedur telah berkumpul jika yang terbesar dari nilai CS kurang dari 1.002. Dengan standar ini, maksimum CS dari 1,0083 tidak cukup kecil. Amos menampilkan wajah bahagia ketika keseluruhan CS tidak cukup kecil. CS membandingkan variabilitas dalam bagian dari sampel analisis terhadap variabilitas di bagian ini. Sebuah nilai 1.000 merupakan konvergensi yang sempurna, dan nilai-nilai yang lebih besar menunjukkan bahwa ringkasan posterior dapat dibuat lebih tepat dengan menciptakan sampel analisis yang lebih. Mengklik tombol Sampling Jeda untuk kedua kalinya menginstruksikan Amos untuk melanjutkan proses sampling. Anda juga dapat menghentikan sebentar dan melanjutkan sampling dengan memilih Jeda Sampling dari Menganalisis menu, atau dengan menggunakan kombinasi keyboard Ctrl + E. Gambar berikut menunjukkan hasil setelah melanjutkan sampling untuk sementara dan berhenti lagi.

398 Contoh 26

Pada titik ini, kita memiliki 22.501 sampel analisis, meskipun tampilan yang terakhir diperbarui pada 22.500 sampel th. CS terbesar adalah 1,0012, yang berada di bawah kriteria 1.002 yang menunjukkan konvergensi diterima. Mencerminkan konvergensi memuaskan, Amos kini menampilkan wajah gembira. Gelman et al. (2004) menunjukkan bahwa, bagi banyak analisis, nilai 1,10 atau lebih kecil yang cukup. Kriteria default 1,002 adalah konservatif. Menilai bahwa rantai MCMC telah berkumpul dengan kriteria ini tidak berarti bahwa tabel ringkasan akan berhenti berubah. Tabel ringkasan akan terus berubah selama algoritma MCMC terus berjalan. Sebagai nilai CS keseluruhan pada toolbar mendekati 1.000, bagaimanapun, tidak ada banyak lebih presisi yang bisa diperoleh dengan mengambil sampel tambahan, jadi kami mungkin juga berhenti.

Plot diagnostik

Selain nilai CS, Amos menawarkan beberapa plot yang dapat membantu Anda memeriksa konvergensi metode MCMC Bayesian. Untuk melihat plot ini:

E Dari menu, pilih View → posterior.

Amos menampilkan kotak dialog posterior.

399 Estimasi Bayesian

E Pilih usia <-> parameter kosakata dari jendela SEM Bayesian.

400 Contoh 26

Kotak dialog Posterior sekarang menampilkan poligon frekuensi distribusi dari kovarians usia kosakata di 22.500 sampel.

Salah satu alat peraga yang dapat digunakan untuk menilai apakah ada kemungkinan bahwa Amos telah berkumpul untuk distribusi posterior adalah tampilan simultan dari dua perkiraan distribusi, satu diperoleh dari sepertiga pertama sampel akumulasi dan satu lagi diperoleh dari sepertiga terakhir. Untuk menampilkan dua perkiraan posterior marjinal pada grafik yang sama:

E Pilih Pertama dan terakhir. (Tanda centang akan muncul di samping pilihan.)

401 Bayesian Estimasi

Dalam contoh ini, distribusi dari pertiga pertama dan terakhir dari sampel analisis yang hampir identik, yang menunjukkan bahwa Amos berhasil mengidentifikasi fitur penting dari distribusi posterior kovarians usia kosakata. Perhatikan bahwa distribusi ini posterior tampaknya berpusat pada beberapa nilai dekat -6, yang setuju dengan nilai mean untuk parameter ini. Inspeksi visual menunjukkan bahwa standar deviasi kira-kira 10, yang setuju dengan nilai SD Perhatikan bahwa lebih dari setengah dari nilai-nilai sampel yang di sebelah kiri 0. Ini memberikan bukti ringan bahwa nilai sebenarnya dari parameter kovarians negatif, namun hasil ini tidak signifikan secara statistik karena proporsi di sebelah kanan 0 masih cukup besar. Jika proporsi nilai sampel di sebelah kanan 0 yang sangat kecil, misalnya, kurang dari 5%, maka kita akan dapat menolak hipotesis nol bahwa parameter kovarians lebih besar dari atau sama dengan 0. Dalam kasus ini, bagaimanapun, kita tidak bisa. Plot lain yang membantu dalam menilai konvergensi adalah jejak komplotan. Jejak Plot, kadang-kadang disebut plot time-series, menunjukkan nilai-nilai sampel dari parameter dari waktu ke waktu. Plot ini membantu Anda untuk menilai seberapa cepat konvergen prosedur MCMC dalam distribusi-yaitu, seberapa cepat melupakan nilai-nilai awal.

402 Contoh 26

E Untuk melihat jejak alur, pilih Melacak.

Plot ditampilkan di sini adalah cukup ideal. Ini menunjukkan variasi up-dan-down yang cepat dengan tidak ada kecenderungan jangka panjang atau hanyut. Jika kita mental memecah komplotan ini menjadi bagian horizontal sedikit, jejak dalam bagian apapun tidak akan terlihat jauh berbeda dari jejak di bagian lain. Hal ini menunjukkan bahwa konvergensi dalam distribusi berlangsung cepat. Tren jangka panjang atau hanyut dalam plot menunjukkan konvergensi lambat. (Perhatikan bahwa jangka panjang relatif terhadap skala horisontal plot ini, yang tergantung pada jumlah sampel. Seperti kita mengambil lebih banyak sampel, jejak alur akan diperas bersama-sama seperti akordeon, dan hanyut lambat atau tren akhirnya mulai terlihat seperti Variasi up-dan-down yang cepat.) gerak naik-turun yang cepat berarti bahwa nilai sampel pada iterasi apapun tidak berhubungan dengan sampel nilai k iterasi kemudian, untuk nilai k yang

relatif kecil dibandingkan dengan jumlah total sampel. Untuk melihat berapa lama waktu yang dibutuhkan untuk korelasi antara sampel mereda, kita dapat mempelajari plot ketiga, yang disebut plot autokorelasi. Plot ini menampilkan perkiraan korelasi antara nilai sampel pada iterasi apapun dan sampel nilai k iterasi kemudian untuk k = 1, 2, 3, ....

403 Bayesian Estimasi

E Untuk menampilkan komplotan ini, pilih Autokorelasi.

Lag, sepanjang sumbu horisontal, mengacu pada jarak di mana korelasi diperkirakan. Dalam situasi biasa, kami berharap koefisien autokorelasi mereda dan menjadi dekat dengan 0, dan tetap mendekati 0, luar lag tertentu. Dalam plot autokorelasi ditunjukkan di atas, lag-10 korelasi-korelasi antara setiap nilai sampel dan nilai yang ditarik 10 kemudian iterasi-adalah sekitar 0,50. Lag-35 korelasi terletak di bawah 0,20, dan pada lag 90 dan seterusnya, korelasi secara efektif 0. Hal ini menunjukkan bahwa dengan 90 iterasi, prosedur MCMC dasarnya telah melupakan posisi awal, setidaknya sejauh sebagai parameter ini kovarians yang bersangkutan. Melupakan posisi awal adalah setara dengan konvergensi dalam distribusi. Jika kita memeriksa plot autokorelasi untuk parameter lain dalam model, kita akan menemukan bahwa mereka juga efektif mati turun ke 0 sebesar 90 atau lebih iterasi. Fakta ini memberi kita keyakinan bahwa periode burn-in dari 500 sampel lebih dari cukup untuk memastikan bahwa konvergensi dalam distribusi tercapai, dan bahwa sampel analisis memang sampel dari distribusi posterior benar. Dalam situasi patologis tertentu, prosedur MCMC mungkin saling bertemu sangat lambat atau tidak sama sekali. Hal ini bisa terjadi dalam data set dengan proporsi tinggi nilai-nilai yang hilang,

404 Contoh 26

ketika nilai-nilai yang hilang jatuh dalam pola aneh, atau model dengan beberapa parameter yang buruk diperkirakan. Jika hal ini terjadi, plot jejak untuk satu atau lebih parameter dalam model akan memiliki drift jangka panjang atau tren yang tidak berkurang karena semakin banyak sampel yang diambil. Bahkan sebagai jejak petak akan diperas bersama-sama seperti akordeon, drift dan tren tidak akan pergi. Dalam hal ini, Anda mungkin akan melihat bahwa rentang nilai sampel untuk parameter (seperti yang ditunjukkan oleh skala vertikal jejak alur, atau oleh SD atau perbedaan antara Min dan Max di jendela SEM Bayesian) sangat besar. Para autocorrelations mungkin tetap tinggi untuk kelambatan besar atau mungkin tampak terombang-ambing antara nilai-nilai positif dan negatif untuk waktu yang lama.

Ketika ini terjadi, ini menunjukkan bahwa model tersebut terlalu rumit harus didukung oleh data yang ada, dan kita harus mempertimbangkan baik pas model sederhana atau memperkenalkan informasi mengenai parameter dengan menentukan distribusi prior lebih informatif.

Bivariat Plot posterior Marginal

Tabel ringkasan di jendela Bayesian SEM dan poligon frekuensi di setiap kotak dialog Posterior menggambarkan distribusi posterior marjinal dari estimands, satu per satu. Distribusi posterior marjinal sangat penting, tetapi mereka tidak mengungkapkan hubungan yang mungkin ada antara estimands. Sebagai contoh, dua covariances atau koefisien regresi dapat berbagi signifikansi dalam arti bahwa satu baik masuk akal bisa menjadi 0, tetapi keduanya tidak bisa. Untuk membantu kita memvisualisasikan hubungan antara pasang estimands, Amos menyediakan bivariat plot posterior marjinal.

E Untuk menampilkan posterior marjinal dua parameter, mulai dengan menampilkan posterior

distribusi salah satu parameter (misalnya, varians usia).

E Tahan kontrol (Ctrl) pada keyboard dan pilih parameter kedua dalam

tabel ringkasan (misalnya, varians dari kosakata). Amos kemudian menampilkan plot permukaan tiga dimensi dari distribusi posterior marjinal varians usia dan kosa kata.

405 Estimasi Bayesian

E Pilih Histogram untuk menampilkan plot serupa dengan menggunakan blok vertikal. E Pilih Contour untuk menampilkan plot dua dimensi kepadatan posterior bivariat.

406 Contoh 26

Mulai dari gelap ke terang, tiga warna abu-abu mewakili 50%, 90%, dan 95% daerah yang kredibel, masing-masing. Sebuah daerah yang kredibel secara konseptual mirip dengan wilayah keyakinan bivariat yang akrab bagi sebagian besar analis data yang berkenalan dengan metode inferensi statistik klasik.

407 Estimasi Bayesian

Interval Kredibel

Ingat bahwa tabel ringkasan di jendela SEM Bayesian menampilkan endpoint bawah dan atas dari interval kredibel Bayesian untuk setiap estimand. Secara default, Amos menyajikan interval 50%, yang mirip dengan interval kepercayaan 50% konvensional. Para peneliti sering melaporkan interval kepercayaan 95%, sehingga Anda mungkin ingin mengubah batas-batas untuk sesuai dengan konten probabilitas posterior 95%.

Mengubah Tingkat Keyakinan

E Klik tab Display di kotak dialog Options. E Ketik 95 sebagai nilai tingkat kepercayaan.

E Klik tombol Close. Amos kini menampilkan interval kredibel 95%.

408 Contoh 26

Belajar lebih lanjut tentang Estimasi Bayesian

Gill (2004) memberikan gambaran dibaca estimasi Bayesian dan keuntungan dalam edisi khusus Analisis Politik. Jackman (2000) menawarkan pengobatan yang lebih teknis dari topik, dengan contoh-contoh, dalam format artikel jurnal. Buku oleh Gelman, Carlin, Stern, dan Rubin (2004) membahas banyak isu-isu praktis dengan banyak contoh.

Contoh

27

Estimasi Bayesian Menggunakan Distribusi Prior Non-membaur

Pengantar

Contoh ini menunjukkan menggunakan distribusi prior non-baur.

Tentang Contoh yang

Contoh 26 menunjukkan bagaimana melakukan estimasi Bayesian untuk model sederhana dengan distribusi prior seragam yang Amos menggunakan secara default. Dalam contoh ini, kami mempertimbangkan model yang lebih kompleks dan membuat penggunaan distribusi prior non-baur. Secara khusus, contoh menunjukkan bagaimana untuk menentukan distribusi prior agar kita terhindar dari perkiraan varians negatif dan perkiraan yang tidak tepat lainnya.

Lebih lanjut tentang Estimasi Bayesian

Dalam pembahasan contoh sebelumnya, kita mencatat bahwa estimasi Bayesian tergantung pada informasi yang diberikan oleh analis dalam hubungannya dengan data. Sedangkan estimasi kemungkinan maksimum memaksimalkan kemungkinan parameter yang tidak diketahui θ ketika diberi y data yang diamati melalui hubungan L (θ | y) α p (y | θ), estimasi Bayesian mendekati kepadatan posterior y, p (θ | y) α p (θ) L (θ | y), dimana p (θ) adalah distribusi prior dari θ, dan p (θ | y) adalah densitas posterior θ diberikan y. Secara konseptual, ini berarti bahwa kepadatan posterior y diberikan θ adalah produk dari distribusi prior dari θ dan kemungkinan data yang diamati (Jackman, 2000, hal. 377).

409

410 Contoh 27

Sebagai ukuran sampel meningkat, fungsi kemungkinan menjadi lebih dan lebih erat terkonsentrasi tentang perkiraan ML. Dalam hal ini, difus sebelum cenderung hampir datar atau konstan atas wilayah di mana kemungkinan adalah tinggi, bentuk distribusi posterior sangat ditentukan oleh kemungkinan, yaitu dengan data diri. Berdasarkan distribusi seragam sebelumnya untuk θ, p (θ) benar-benar datar, dan distribusi posterior hanyalah versi re-normalisasi kemungkinan. Bahkan di bawah distribusi prior seragam, pengaruh distribusi prior berkurang sebagai ukuran meningkat sampel. Selain itu, sebagai peningkatan ukuran sampel, distribusi posterior gabungan untuk θ datang menyerupai distribusi normal. Untuk alasan ini, Bayesian dan klasik analisis maksimum kemungkinan menghasilkan hasil asimtotik setara (Jackman, 2000). Dalam sampel yang lebih kecil, jika Anda bisa memberikan informasi sebelum masuk akal untuk

prosedur Bayesian, parameter estimasi dari analisis Bayesian bisa lebih tepat. (Sisi lain dari koin adalah bahwa sebelum buruk bisa membahayakan dengan memperkenalkan Bias.)

Analisis Bayesian dan Solusi Tidak Layak

Satu masalah akrab di fitting model variabel laten adalah terjadinya solusi yang tidak tepat (Chen, Bollen, Paxton, Curran, dan Kirby, 2001). Sebuah solusi yang tidak tepat terjadi, misalnya, ketika perkiraan varians adalah negatif. Solusi tersebut disebut tidak tepat karena tidak mungkin untuk varians untuk menjadi kurang dari 0. Sebuah solusi yang tidak tepat dapat menunjukkan bahwa sampel yang terlalu kecil atau bahwa model yang salah. Estimasi Bayesian tidak dapat membantu dengan model buruk, tetapi dapat digunakan untuk menghindari solusi yang tidak tepat bahwa hasil dari penggunaan sampel kecil. Martin dan McDonald (1975), membahas estimasi Bayesian untuk eksplorasi analisis faktor, menunjukkan bahwa perkiraan dapat ditingkatkan dan solusi yang tidak tepat dapat dihindari dengan memilih distribusi prior yang memberikan probabilitas nol sampai solusi yang tidak tepat. Contoh ini menunjukkan Martin dan pendekatan McDonald untuk menghindari solusi yang tidak tepat oleh pilihan yang cocok distribusi sebelumnya.

Tentang Data

Jamison dan Scogin (1995) melakukan studi eksperimental efektivitas pengobatan baru untuk depresi di mana peserta diminta untuk membaca dan menyelesaikan latihan pekerjaan rumah Feeling Good: The New Terapi mood (Burns, 1999). Jamison dan Scogin acak peserta untuk kondisi kontrol atau

411 Estimasi Bayesian Menggunakan Distribusi Prior Non-membaur

kondisi eksperimental, mengukur tingkat depresi mereka, memperlakukan kelompok eksperimen, dan kemudian depresi peserta diukur kembali '. Para peneliti tidak bergantung pada ukuran tunggal depresi. Sebaliknya, mereka menggunakan dua skala depresi terkenal, Beck Depression Inventory (Beck, 1967) dan Hamilton Rating Scale for Depression (Hamilton, 1960). Kami akan memanggil mereka BDI dan HRSD untuk pendek. Data tersebut di feelinggood.sav berkas.

Pas Model oleh Maximum Likelihood

Gambar berikut menunjukkan hasil dari menggunakan estimasi kemungkinan maksimum untuk menyesuaikan model untuk efek pengobatan (COND) pada depresi di Time 2. Depresi pada Waktu 1 digunakan sebagai kovariat. Pada Waktu 1 dan kemudian lagi di Time 2, BDI dan HRSD dimodelkan sebagai indikator dari variabel yang mendasari tunggal, depresi (depr).

Jalur diagram untuk model ini di Ex27.amw. Statistik chi-square 0,059 dengan satu derajat kebebasan menunjukkan cocok, tapi varians residual negatif untuk posttherapy HRSD membuat solusi yang tidak tepat.

412 Contoh 27

Estimasi Bayesian dengan Non-Informatif (membaur) Sebelum

Apakah analisis Bayesian dengan difus sebelum hasil hasil distribusi mirip dengan solusi kemungkinan maksimum? Untuk mengetahui, kita akan melakukan analisis Bayesian dari model yang sama. Pertama, kami akan menunjukkan bagaimana meningkatkan jumlah burn-in pengamatan. Ini hanya untuk menunjukkan kepada Anda bagaimana untuk melakukannya. Tidak ada yang menunjukkan bahwa default 500 burn-in pengamatan perlu diubah.

Mengubah Jumlah Pengamatan Burn-In

Untuk mengubah jumlah observasi burn-in dengan 1.000:

E Pada kotak dialog Options, pilih tab MCMC. E Jumlah Perubahan burn-in pengamatan 1000.

E Klik Tutup dan memungkinkan pengambilan sampel MCMC untuk melanjutkan sampai wajah bahagia

ternyata

senang

.

413 Estimasi Bayesian Menggunakan Distribusi Prior Non-membaur

Tabel ringkasan harus terlihat seperti ini:

414 Contoh 27

Dalam analisis ini, kita diperbolehkan Amos mencapai batas default dari 100.000 sampel MCMC. Ketika Amos mencapai batas ini, ia mulai proses yang dikenal sebagai menipis. Penipisan melibatkan mempertahankan subset sama-spasi sampel daripada semua sampel. Amos memulai proses pengambilan sampel MCMC dengan mempertahankan semua sampel sampai batas 100.000 sampel tercapai. Pada saat itu, jika analis data tidak menghentikan proses sampling, Amos membuang setengah dari sampel dengan menghapus setiap alternatif satu, sehingga lag-1 ketergantungan dalam urutan yang tersisa adalah sama dengan lag-2 ketergantungan asli unthinned berurutan. Dari titik itu, Amos melanjutkan proses sampling, menjaga satu sampel dari setiap dua yang dihasilkan, sampai batas atas 100.000 lagi tercapai. Pada saat itu, Amos mengencerkan sampel untuk kedua kalinya dan mulai menjaga satu sampel baru dari setiap empat ... dan seterusnya. Mengapa Amos melakukan menipis? Penipisan mengurangi autokorelasi antar sampel berturut-turut, sehingga urutan menipis dari 100.000 sampel memberikan informasi lebih daripada urutan unthinned yang sama panjang. Pada contoh saat ini, hasil yang ditampilkan didasarkan pada 53.000 sampel yang dikumpulkan setelah 1.000 sampel burn-in, dengan total 54.000 sampel. Namun, ini adalah setelah urutan sampel telah menipis tiga kali, sehingga delapan sampel harus dihasilkan untuk setiap satu yang disimpan. Jika menipis itu tidak dilakukan, akan ada 1, 000 × 8 = 8, 000 burn-in sampel dan 53, 000 × 8 = 424, 000 sampel analisis. Hasil analisis Bayesian sangat mirip dengan hasil kemungkinan maksimum. Posterior mean untuk varians sisa e5 adalah negatif, seperti maximum likelihood adalah. Distribusi posterior sendiri terletak sebagian besar di sebelah kiri 0.

415 Estimasi Bayesian Menggunakan Distribusi Prior Non-membaur

Untungnya, ada obat untuk masalah ini: Menetapkan kepadatan sebelumnya 0 untuk setiap vektor parameter yang varians e5 adalah negatif. Untuk mengubah distribusi prior dari varians dari e5:

E Dari menu, pilih View → Sebelum.

Atau, klik tombol Sebelum pada Bayesian SEM toolbar, atau masukkan kombinasi keyboard Ctrl + R. Amos menampilkan kotak dialog Sebelum.

416 Contoh 27

E Pilih varian e5 di jendela SEM Bayesian untuk menampilkan default sebelum

distribusi untuk e5.

E Ganti default batas bawah - 3,4 × 10

- 38

dengan 0.

417 Estimasi Bayesian Menggunakan Distribusi Prior Non-membaur

E Klik Apply untuk menyimpan perubahan ini.

Amos segera membuang sampel MCMC akumulasi dan mulai sampling semua lagi. Setelah beberapa saat, jendela SEM Bayesian harus terlihat seperti ini:

418 Contoh 27

Posterior rata-rata varians e5 sekarang positif. Meneliti distribusi posterior menegaskan bahwa tidak ada nilai-nilai sampel jatuh di bawah 0.

419 Estimasi Bayesian Menggunakan Distribusi Prior Non-membaur

Apakah ini solusi yang tepat? Posterior mean masing-masing varians positif, tapi melirik kolom Min menunjukkan bahwa

beberapa nilai sampel untuk varians e2 dan e3 varians negatif. Untuk menghindari varians negatif untuk e2 dan e3, kita dapat memodifikasi distribusi mereka sebelumnya seperti yang kita lakukan untuk e5. Hal ini tidak terlalu sulit untuk memberlakukan batasan tersebut secara parameter-by-parameter dalam model kecil seperti ini. Namun, ada juga cara untuk secara otomatis mengatur kepadatan sebelum 0 untuk setiap nilai parameter yang tidak tepat. Untuk menggunakan fitur ini:

420 Contoh 27

E Pada kotak dialog Options, klik tab Sebelum. E Pilih tes Diterimanya. (Tanda centang akan muncul di samping itu.)

Memilih uji Diterimanya menetapkan kepadatan sebelum 0 untuk nilai parameter yang menghasilkan sebuah model di mana setiap matriks kovarians gagal menjadi definit positif. Secara khusus, kepadatan sebelumnya diatur ke 0 untuk varian non-positif. Amos juga menyediakan pilihan uji stabilitas yang bekerja mirip dengan opsi pengujian diterimanya. Memilih uji stabilitas menetapkan kepadatan sebelum 0 untuk nilai-nilai parameter yang menyebabkan sistem tidak stabil persamaan linear. Segera setelah Anda memilih tes Diterimanya, sampling MCMC mulai seluruh, membuang setiap sampel terakumulasi sebelumnya. Setelah waktu yang singkat, hasilnya harus terlihat seperti ini:

421 Estimasi Bayesian Menggunakan Distribusi Prior Non-membaur

Perhatikan bahwa analisis mengambil hanya 73.000 pengamatan untuk memenuhi kriteria konvergensi untuk semua estimands. Nilai minimum untuk semua estimasi varians sekarang positif.

28

Estimasi Bayesian Nilai Lain Selain Model Parameter

Contoh ini menunjukkan bagaimana untuk memperkirakan jumlah lain selain model parameter dalam analisis Bayesian.

Contoh 26 dan 27 menunjukkan analisis Bayesian. Dalam kedua contoh-contoh, kita yang prihatin eksklusif dengan estimasi parameter model yang.

Kami juga mungkin tertarik dalam memperkirakan jumlah lain yang merupakan fungsi dari parameter model. Misalnya, salah satu yang paling umum menggunakan model persamaan struktural adalah estimasi simultan efek langsung dan tidak langsung. Dalam contoh ini, kami menunjukkan bagaimana untuk memperkirakan distribusi posterior dari efek tidak langsung.

The Wheaton data Revisited

Pada Contoh 6, kami diprofilkan Wheaton et al. (1977) Data keterasingan dan dijelaskan tiga model alternatif untuk data. Di sini, kita kembali memeriksa Model C dari Contoh 6. Berikut ini adalah diagram jalur di Ex28.amw berkas:

423

424 Contoh 28

Efek tidak langsung

Misalkan kita tertarik pada efek tidak langsung pada ses 71_alienation melalui mediasi 67_alienation. Dengan kata lain, kami menduga bahwa status sosial ekonomi diberikannya berdampak pada keterasingan pada tahun 1967, yang pada gilirannya mempengaruhi keterasingan pada tahun 1971.

425 Estimasi Bayesian Nilai Lain Selain Model Parameter

Memperkirakan Efek tidak langsung

E Sebelum memulai analisis Bayesian, dari menu di Amos Graphics, pilih View → Analisis Properties. E Dalam Analisis kotak dialog Properties, klik tab Output. E Pilih langsung, efek langsung & total dan perkiraan Standar untuk memperkirakan standar

efek tidak langsung. (Tanda centang akan muncul di samping pilihan ini.)

E Tutup Analisis Properti kotak dialog.

426 Contoh 28

E Dari menu, pilih Analyze → Hitung Perkiraan untuk mendapatkan maksimum

kemungkinan uji chi-square model fit dan estimasi parameter.

Hasilnya identik dengan yang ditunjukkan pada Contoh 6, Model C. Pengaruh langsung standar ses pada 71_alienation adalah -0.19. Efek tidak langsung standar ses pada 71_alienation didefinisikan sebagai produk dari dua standar efek langsung: efek langsung standar ses pada 67_alienation (-0.56) dan efek langsung standar 67_alienation pada 71_alienation (0.58). Produk dari kedua efek langsung standar adalah - 0,56 × 0,58 = - 0,32.

427 Estimasi Bayesian Nilai Lain Selain Model Parameter

Anda tidak harus bekerja pengaruh tidak langsung standar dengan tangan. Untuk melihat semua efek tidak langsung standar:

E Dari menu, pilih View → Text Output. E Di sudut kiri atas dari jendela Output Amos, pilih Perkiraan, kemudian Matriks, dan kemudian Efek Tidak Langsung Standar.

Analisis Bayesian Model C

Untuk memulai estimasi Bayesian untuk Model C:

E Dari menu, pilih Analyze → Estimasi Bayesian.

428 Contoh 28

Algoritma MCMC menyatu cukup pesat dalam 22.000 sampel MCMC.

Estimands Tambahan

Tabel ringkasan menampilkan hasil untuk model parameter saja. Untuk memperkirakan jumlah posterior berasal dari model parameter, seperti efek tidak langsung:

E Dari menu, pilih View → Estimands tambahan.

429 Estimasi Bayesian Nilai Lain Selain Model Parameter

Memperkirakan distribusi posterior marjinal dari estimands tambahan mungkin memakan waktu cukup lama. Sebuah jendela status membuat Anda informasi kemajuan.

Hasil yang ditampilkan di jendela Estimands tambahan. Untuk menampilkan mean posterior untuk setiap efek tidak langsung standar:

E Pilih Efek tidak langsung Standar dan rata-rata di panel di sisi kiri jendela.

430 Contoh 28

E Untuk mencetak hasil, pilih item yang ingin Anda cetak. (Tanda centang akan muncul di samping

kepada mereka).

E Dari menu, pilih File → Print.

Hati-hati karena ada kemungkinan untuk menghasilkan banyak output dicetak. Jika Anda menempatkan tanda centang di setiap kotak centang dalam contoh ini, program akan mencetak 1 × 8 × 11 = 88 matriks.

E Untuk melihat cara posterior efek langsung standar, pilih Standar Efek langsung dan Berarti di panel di sebelah kiri.

Posterior sarana efek langsung dan tidak langsung standar status sosial ekonomi keterasingan pada tahun 1971 hampir sama dengan perkiraan kemungkinan maksimum.

431 Estimasi Bayesian Nilai Lain Selain Model Parameter

Kesimpulan tentang Efek tidak langsung

Ada dua metode untuk mencari interval kepercayaan untuk efek tidak langsung atau untuk menguji efek tidak langsung untuk signifikansi. Sobel (1982, 1986) memberikan sebuah metode yang mengasumsikan bahwa efek tidak langsung terdistribusi secara normal. Sebuah badan tumbuh sastra simulasi statistik menimbulkan pertanyaan asumsi ini, bagaimanapun, dan pendukung penggunaan bootstrap untuk membangun lebih baik, biasanya asimetris, confidence interval (MacKinnon, Lockwood, dan Williams, 2004; Shrout dan Bolger, 2002). Studi-studi telah menemukan bahwa interval kepercayaan bootstrap bias dikoreksi tersedia di Amos menghasilkan kesimpulan yang dapat diandalkan untuk efek tidak langsung. Sebagai alternatif untuk metode Sobel dan bootstrap untuk menemukan interval kepercayaan, Amos dapat memberikan (biasanya asimetris) interval kredibel untuk standar atau unstandardixed efek tidak langsung. Gambar berikut menunjukkan batas bawah dari interval kredibel 95% untuk setiap efek tidak langsung standar dalam model. Perhatikan bahwa 95% lebih rendah terikat dipilih dalam panel di bagian kiri jendela Estimands tambahan. (Anda dapat menentukan nilai lain dari 95% pada kotak dialog Options Bayesian Sem.)

432 Contoh 28

Semakin rendah batas interval kredibel 95% untuk efek tidak langsung dari status sosial ekonomi keterasingan pada tahun 1971 adalah -0,382.

Sesuai nilai batas atas adalah -0,270, seperti yang ditunjukkan di bawah ini:

Kita sekarang 95% yakin bahwa nilai sebenarnya dari efek tidak langsung standar terletak antara -0,382 dan -0,270. Untuk melihat distribusi posterior:

E Dari menu di jendela Estimands tambahan, pilih View → posterior.

Pada awalnya, Amos menampilkan jendela posterior kosong.

433 Estimasi Bayesian Nilai Lain Selain Model Parameter

E Pilih Rata-rata dan Standar Efek langsung di jendela Estimands tambahan.

434 Contoh 28

Amos kemudian menampilkan distribusi posterior dari pengaruh tidak langsung dari status sosial ekonomi keterasingan pada tahun 1971. Distribusi pengaruh tidak langsung adalah sekitar, tapi tidak persis, normal.

435 Estimasi Bayesian Nilai Lain Selain Model Parameter

Skewness dari rata-rata nilai efek tidak langsung adalah -0.13, kurtosis adalah 0,02. Nilai ini menandakan sangat ringan non-normalitas distribusi nilai efek tidak langsung berarti.

Contoh

29

Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

Pengantar

Contoh ini menunjukkan bagaimana untuk memperkirakan jumlah user-defined: dalam hal ini, perbedaan antara efek langsung dan efek tidak langsung.

Tentang Contoh yang

Pada contoh sebelumnya, kita menunjukkan bagaimana menggunakan Estimands fitur tambahan analisis Amos Bayesian untuk memperkirakan efek tidak langsung. Misalkan Anda ingin melakukan analisis langkah lebih lanjut dan mengatasi pertanyaan penelitian sering diajukan: Bagaimana efek tidak langsung dibandingkan dengan efek langsung yang sesuai?

Stabilitas Keterasingan Model

Anda dapat menggunakan fitur Estimands Custom Amos untuk memperkirakan dan menarik kesimpulan tentang fungsi sewenang-wenang dari model parameter. Untuk menggambarkan fitur Kustom Estimands, mari kita kembali contoh sebelumnya. Jalur diagram untuk model yang ditampilkan pada p. 438 dan dapat ditemukan di Ex29.amw berkas. Model ini memungkinkan status sosial ekonomi untuk mengerahkan efek langsung pada keterasingan yang dialami pada tahun 1971. Hal ini juga memungkinkan efek tidak langsung yang dimediasi oleh keterasingan yang dialami pada tahun 1967. Sisa dari contoh ini berfokus pada efek langsung, efek tidak langsung, dan perbandingan dua. Perhatikan bahwa kita diberikan label parameter untuk efek langsung

437

438 Contoh 29

("C") dan dua komponen efek tidak langsung ("a" dan "b"). Meskipun tidak diperlukan, label parameter memudahkan untuk menentukan estimands kustom.

Untuk memulai analisis Bayesian model ini:

E Dari menu, pilih Analyze → Estimasi Bayesian.

Setelah beberapa saat, jendela SEM Bayesian harus terlihat seperti ini:

439 Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

440 Contoh 29

E Dari menu, pilih View → Estimands tambahan. E Pada jendela Estimands tambahan, pilih Standar Efek langsung dan Berarti.

Posterior rata-rata untuk efek langsung pada ses 71_alienation adalah -0,195.

441 Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

E Pilih Efek tidak langsung Standar dan Berarti.

Efek tidak langsung dari status sosial ekonomi keterasingan pada tahun 1971 adalah -0,320.

442 Contoh 29

Distribusi posterior pengaruh tidak langsung seluruhnya terletak di sebelah kiri 0, jadi kita praktis yakin bahwa efek tidak langsung kurang dari 0.

Anda juga dapat menampilkan distribusi posterior dari efek langsung. Program ini tidak, bagaimanapun, memiliki cara built-in untuk memeriksa distribusi posterior dari perbedaan antara efek langsung dan efek langsung (atau mungkin rasio mereka). Ini adalah kasus ingin memperkirakan dan menarik kesimpulan tentang kuantitas bahwa para pengembang program tidak mengantisipasi. Untuk ini, Anda perlu untuk memperluas kemampuan Amos dengan mendefinisikan estimand kustom Anda sendiri.

443 Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

Numeric Kustom Estimands

Pada bagian ini, kami menunjukkan bagaimana menulis sebuah program Visual Basic untuk memperkirakan perbedaan angka antara efek langsung dan efek tidak langsung. (Anda dapat menggunakan C #, bukan Visual Basic.) Final Program Visual Basic yang ada di file Ex29.vb. Langkah pertama dalam menulis program untuk mendefinisikan estimand kustom adalah untuk membuka jendela estimands kustom.

E Dari menu pada jendela SEM Bayesian, pilih View → Kustom estimands.

Jendela ini menampilkan program visual kerangka dasar yang kita akan menambahkan baris untuk menentukan jumlah baru yang kita inginkan Amos untuk memperkirakan.

Catatan: Jika Anda ingin menggunakan C #, bukan Visual Basic, dari menu, pilih File → New

C # plug-in.

444 Contoh 29

Program kerangka berisi subroutine dan fungsi. Anda tidak memiliki kontrol atas ketika subroutine dan fungsi disebut. Mereka disebut oleh Amos.

?? Amos memanggil subroutine DeclareEstimands Anda sekali untuk mengetahui berapa banyak baru

jumlah (estimands) Anda ingin memperkirakan dan apa yang Anda ingin menyebutnya.

Amos panggilan CalculateEstimands Anda berfungsi berulang kali. Setiap kali fungsi CalculateEstimands Anda disebut, Amos harus menghitung nilai Anda

estimands kustom untuk himpunan nilai parameter. Hanya baris pertama dari subrutin DeclareEstimands ditunjukkan awalnya.

E Untuk menampilkan semua lini, klik dua kali Sub DeclareEstimands atau klik tanda + di

kotak kecil pada awal baris.

Anda harus mengganti placeholder 'TODO: Kode Anda pergi di sini dengan garis-garis yang menentukan berapa banyak jumlah baru yang ingin Anda memperkirakan dan apa yang Anda ingin menyebutnya. Untuk contoh ini, kita ingin memperkirakan perbedaan antara efek langsung dari ses di 71_alienation dan pengaruh tidak langsung yang sesuai. Kami juga akan menulis kode untuk

445 Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

menghitung pengaruh langsung dan tidak langsung secara individual, tapi ini hanya untuk menunjukkan bagaimana melakukannya. Individual memperkirakan pengaruh langsung dan pengaruh tidak langsung dapat tanpa mendefinisikan mereka sebagai estimands kustom. Untuk mendefinisikan setiap estimand, kita menggunakan kata kunci newestimand, seperti yang

ditunjukkan di bawah ini:

Kata-kata "langsung", "tidak langsung", dan "perbedaan" adalah label estimand. Anda dapat menggunakan label yang berbeda. Fungsi CalculateEstimands menghitung nilai-nilai estimands didefinisikan dalam subrutin DeclareEstimands. Hanya baris pertama dari fungsi ditampilkan.

E Untuk menampilkan semua lini, klik dua kali CalculateEstimands Fungsi atau klik tanda +

dalam kotak kecil di awal baris.

446 Contoh 29

Pengganti 'TODO: Kode Anda pergi di sini perlu diganti dengan garis-garis untuk mengevaluasi estimands disebut "langsung", "tidak langsung" dan "perbedaan". Kita mulai dengan menulis kode Visual Basic untuk menghitung efek langsung. Pada gambar berikut, kami telah mengetik bagian dari pernyataan Visual Basic: estimand ("langsung") value =..

447 Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

Kita perlu menyelesaikan pernyataan itu dengan menambahkan kode tambahan di sebelah kanan sama dengan (=) tanda, menjelaskan bagaimana untuk menghitung efek langsung. Dampak langsungnya adalah harus dihitung untuk satu set nilai parameter yang dapat diakses melalui obyek AmosEngine yang disediakan sebagai argumen ke fungsi CalculateEstimands. Kecuali Anda adalah seorang programmer Amos ahli, Anda tidak akan tahu bagaimana menggunakan obyek AmosEngine, namun ada cara mudah untuk mendapatkan sintaks Visual Basic yang dibutuhkan dengan menyeret dan menjatuhkan.

Menyeret dan menjatuhkan

E Temukan efek langsung pada jendela SEM Bayesian dan klik untuk memilih barisnya. (Baris Its

disorot dalam gambar berikut.)

E Pindahkan pointer mouse ke tepi baris yang dipilih.

Entah tepi atas atau

tepi bawah akan dilakukan.

448 Contoh 29

Tip: Ketika Anda mendapatkan pointer mouse di tempat yang tepat, plus (+) simbol akan muncul di samping mouse pointer.

E Tahan tombol kiri mouse, drag pointer mouse ke jendela Visual Basic

ke tempat di mana Anda ingin ekspresi untuk efek langsung pergi, dan lepaskan tombol mouse. Ketika Anda menyelesaikan operasi ini, Amos mengisi ekspresi parameter yang sesuai, seperti yang ditunjukkan pada gambar berikutnya:

449 Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

Parameter di sisi kanan persamaan diidentifikasi dengan label ("c") yang digunakan dalam diagram jalur ditampilkan sebelumnya. Kami selanjutnya mengalihkan perhatian kita untuk menghitung pengaruh tidak langsung dari status sosial ekonomi keterasingan pada tahun 1971. Ini efek tidak langsung didefinisikan sebagai produk dari dua efek langsung, efek langsung dari status sosial ekonomi keterasingan pada tahun 1967 (parameter) dan efek langsung dari keterasingan tahun 1967 tentang keterasingan pada tahun 1971 (parameter b).

E Di sisi kiri dari pernyataan penugasan Visual Basic untuk menghitung langsung

Akibatnya, nilai tipe estimand ("tidak langsung"). =.

450 Contoh 29

Menggunakan proses drag-and-drop yang sama seperti yang dijelaskan sebelumnya, mulai menyeret hal-hal dari jendela SEM Bayesian ke jendela Unnamed.vb.

E Pertama, tarik efek langsung dari status sosial ekonomi keterasingan pada tahun 1967 di sebelah kanan

sisi tanda sama dalam laporan yang belum selesai.

451 Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

E Selanjutnya, drag dan drop efek langsung dari 1967 keterasingan pada 1971alienation.

Ini efek langsung kedua muncul di jendela Unnamed.vb sebagai sem.ParameterValue ("b").

452 Contoh 29

E Akhirnya, menggunakan keyboard untuk memasukkan tanda bintang (*) antara dua nilai parameter.

453 Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

Petunjuk: Untuk estimands kustom rumit, Anda juga dapat drag dan drop dari

Tambahan Estimands jendela ke jendela Custom Estimands. Untuk menghitung perbedaan antara efek langsung dan tidak langsung, tambahkan baris ketiga sintaks Visual Basic, seperti yang terlihat pada gambar berikut:

454 Contoh 29

E Untuk mencari distribusi posterior dari ketiga estimands kustom, klik Run.

Hasilnya akan memakan waktu beberapa detik. Sebuah jendela status membuat Anda informasi kemajuan.

455 Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

Distribusi posterior marjinal dari tiga estimands kustom diringkas dalam tabel berikut:

Hasil untuk langsung juga dapat ditemukan dalam Bayesian tabel ringkasan SEM, dan hasil untuk langsung dapat ditemukan dalam tabel Estimands tambahan. Kami benar-benar tertarik dalam perbedaan. Berarti posterior adalah -0,132. Minimumnya adalah -0,412, dan maksimum adalah 0,111.

E Untuk melihat posterior marjinal, dari menu, pilih View → Posterior. E Pilih perbedaan baris dalam tabel Estimands Kustom.

456 Contoh 29

Sebagian besar wilayahnya terletak di sebelah kiri 0, yang berarti bahwa perbedaannya hampir pasti akan negatif. Dengan kata lain, hampir pasti bahwa efek tidak langsung lebih negatif daripada efek langsung. Eyeballing posterior, mungkin 95% atau lebih daerah terletak di sebelah kiri 0, sehingga ada sekitar 95% kemungkinan bahwa efek tidak langsung lebih besar daripada efek langsung. Hal ini tidak perlu mengandalkan eyeballing posterior, namun. Ada cara untuk menemukan daerah manapun di bawah posterior marjinal atau, lebih umum, untuk memperkirakan probabilitas bahwa setiap proposisi tentang parameter benar.

457 Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

Dikotomis Estimands Kustom

Inspeksi visual dari poligon frekuensi mengungkapkan bahwa sebagian besar nilai-nilai perbedaan yang negatif, tetapi tidak memberi tahu kami apa proporsi nilai-nilai negatif. Proporsi Itulah perkiraan kami dari kemungkinan bahwa efek tidak langsung melebihi efek langsung. Untuk memperkirakan probabilitas seperti ini, kita dapat menggunakan estimands dikotomis. Dalam Visual Basic (atau C #) program, estimands dikotomis sama seperti estimands numerik kecuali bahwa estimands dikotomis mengambil hanya dua nilai: benar dan salah. Dalam rangka untuk memperkirakan kemungkinan bahwa efek tidak langsung lebih negatif daripada efek langsung, kita perlu mendefinisikan fungsi dari parameter model yang benar ketika efek tidak langsung adalah lebih negatif daripada efek langsung dan dinyatakan palsu.

Mendefinisikan Estimand Dikotomi

E Nama setiap estimand dikotomis dalam subrutin DeclareEstimands. Untuk tujuan

ilustrasi, kami akan mendeklarasikan dua estimands dikotomis, menyebut mereka "tidak langsung kurang dari nol" dan "tidak langsung lebih kecil daripada langsung".

458 Contoh 29

E Tambahkan baris ke CalculateEstimates berfungsi menentukan bagaimana menghitung mereka.

Dalam contoh ini, pertama estimand kustom dikotomis benar ketika nilai efek tidak langsung adalah kurang dari 0. Kedua estimand kustom dikotomis benar ketika efek tidak langsung lebih kecil dari efek langsung.

E Klik tombol Run.

Amos mengevaluasi kebenaran setiap ekspresi logika untuk setiap sampel MCMC ditarik. Ketika analisis selesai, Amos melaporkan proporsi sampel MCMC di mana setiap ekspresi ditemukan untuk menjadi kenyataan. Proporsi ini muncul di bagian Estimands Dikotomi Custom Estimands tabel ringkasan.

459 Mengestimasi Kuantitas User-Ditetapkan di Bayesian SEM

Kolom P menunjukkan proporsi kali bahwa setiap ekspresi dievaluasi benar dalam seluruh rangkaian sampel MCMC. Dalam contoh ini, jumlah sampel MCMC adalah 29.501, jadi P didasarkan pada sekitar 30.000 sampel. P1, P2, P3 dan kolom menunjukkan proporsi kali setiap ekspresi logika benar di ketiga pertama, sepertiga tengah, dan sepertiga akhir dari sampel MCMC. Dalam ilustrasi ini, masing-masing proporsi ini didasarkan pada sekitar 10.000 sampel MCMC. Berdasarkan proporsi di Estimands daerah Dikotomi jendela Estimands Custom, kita dapat mengatakan dengan kepastian dekat bahwa efek tidak langsung adalah negatif. Hal ini konsisten dengan poligon frekuensi pada hal. 442 yang tidak menunjukkan sampel MCMC dengan nilai pengaruh tidak langsung lebih besar dari atau sama dengan 0. Demikian pula, probabilitas adalah sekitar 0.975 bahwa efek tidak langsung lebih besar (lebih negatif) daripada efek langsung. Para 0.975 hanya perkiraan probabilitas. Ini adalah proporsi berdasarkan pengamatan 29.501 berkorelasi.

Namun tampaknya menjadi perkiraan yang baik karena proporsi dari ketiga pertama (0.974), ketiga tengah (0.979) dan ketiga akhir (0,971) begitu dekat bersama-sama.

30

Data Imputasi

Contoh ini menunjukkan imputasi ganda dalam model analisis faktor.

Contoh 17 menunjukkan bagaimana menyesuaikan model menggunakan kemungkinan maksimum bila data mengandung nilai-nilai yang hilang. Amos juga dapat menghubungkan nilai-nilai bagi mereka yang hilang. Dalam imputasi data, setiap nilai yang hilang digantikan oleh beberapa menebak angka. Setelah setiap nilai yang hilang telah digantikan oleh nilai diperhitungkan, yang dihasilkan dataset selesai dapat dianalisis dengan metode analisis data yang dirancang untuk data lengkap. Amos menyediakan tiga metode imputasi data.

Dalam imputasi regresi, model ini dipasang untuk pertama kalinya menggunakan kemungkinan maksimum.

Setelah itu, model parameter yang ditetapkan sama dengan perkiraan kemungkinan maksimum mereka, dan regresi linier digunakan untuk memprediksi nilai-nilai teramati untuk setiap kasus sebagai kombinasi linear dari nilai-nilai yang diamati untuk kasus yang sama. Nilai prediksi kemudian ditancapkan untuk nilai yang hilang.

Imputasi regresi Stochastic (Little dan Rubin, 2002) mengaitkan nilai untuk

setiap kasus dengan menggambar, secara acak, dari distribusi bersyarat dari nilai-nilai yang hilang mengingat nilai yang diamati, dengan parameter model yang diketahui ditetapkan sama dengan perkiraan kemungkinan maksimum mereka. Karena elemen acak dalam imputasi regresi stokastik, mengulangi proses imputasi berkali-kali akan menghasilkan dataset selesai berbeda setiap kali.

461

462 Contoh 30

Bayesian imputasi adalah seperti imputasi regresi stokastik kecuali yang dibutuhkan

mempertimbangkan fakta bahwa nilai parameter hanya diperkirakan dan tidak diketahui.

Beberapa Imputasi

Dalam imputasi ganda (Schafer, 1997), metode imputasi nondeterministic (baik imputasi regresi stokastik atau imputasi Bayesian) digunakan untuk membuat beberapa dataset selesai. Sementara nilai yang diamati tidak pernah berubah, nilai-nilai diperhitungkan bervariasi dari satu dataset diselesaikan ke yang berikutnya. Setelah dataset telah selesai dibuat, setiap dataset selesai dianalisis sendiri. Misalnya, jika ada dataset m selesai, maka akan ada set terpisah m hasil, masing-masing berisi perkiraan berbagai jumlah bersama dengan estimasi kesalahan standar. Karena m dataset selesai berbeda satu sama lain, set m hasilnya juga akan berbeda dari satu ke yang berikutnya. Setelah masing-masing m dataset selesai telah dianalisis sendiri, analis data memiliki set m estimasi dan kesalahan standar yang harus digabungkan menjadi satu set hasil. Formula terkenal dikaitkan dengan Rubin (1987) tersedia untuk menggabungkan hasil dari beberapa dataset selesai. Mereka rumus akan digunakan dalam Contoh 31.

Imputasi Model Berbasis

Dalam contoh ini, imputasi dilakukan dengan menggunakan model analisis faktor. Imputasi model berbasis memiliki dua keuntungan. Pertama, Anda dapat menghubungkan nilai-nilai untuk setiap variabel laten dalam model. Kedua, jika model yang benar dan memiliki derajat kebebasan yang positif, matriks kovariansi tersirat dan sarana tersirat akan diperkirakan lebih akurat dibandingkan dengan model jenuh. (Imputasi didasarkan pada matriks kovariansi tersirat dan sarana.) Namun, model jenuh seperti model dalam Contoh 1 dapat digunakan untuk imputasi ketika ada model lainnya adalah tepat.

Pertunjukan Beberapa Imputasi Data Menggunakan Amos Graphics

Untuk contoh ini, kita akan melakukan beberapa imputasi Bayesian menggunakan model analisis faktor konfirmatori dari Contoh 17. Dataset adalah tidak lengkap dan Holzinger Swineford (1939) dataset di grant_x.sav berkas. Imputasi nilai-nilai yang hilang hanyalah langkah pertama dalam memperoleh hasil yang bermanfaat dari imputasi ganda. Akhirnya, ketiga langkah-langkah berikut perlu dilakukan.

463 data Imputasi

Langkah 1: Gunakan fitur Imputasi Data Amos untuk membuat m lengkap file data. Langkah 2: Lakukan analisis dari masing-masing m file data diselesaikan secara terpisah.

Melakukan analisis ini adalah terserah Anda. Anda dapat melakukan analisis di Amos tetapi, biasanya, Anda akan menggunakan beberapa program lainnya. Untuk tujuan contoh ini dan berikutnya, kita akan menggunakan Statistik SPSS untuk melakukan analisis regresi di mana satu variabel (kalimat) yang digunakan untuk memprediksi variabel lain (wordmean). Secara khusus, kita akan fokus pada estimasi berat regresi dan standard error-nya.

Langkah 3: Kombinasikan hasil dari analisis data file m.

Contoh ini meliputi langkah pertama. Langkah 2 dan 3 akan dibahas dalam Contoh 31.

E Untuk menghasilkan file data selesai, buka Amos Graphics berkas Ex30.amw.

464 Contoh 30

E Dari menu, pilih Analyze → data Imputasi.

Amos menampilkan Amos jendela Imputasi Data.

E Pastikan bahwa tuduhan Bayesian dipilih. E Set Jumlah dataset diselesaikan sampai 10. (Ini menetapkan m = 10.)

Anda mungkin memperkirakan bahwa sejumlah besar selesai file data yang diperlukan. Ternyata, dalam sebagian besar aplikasi, sangat sedikit data file selesai diperlukan. Lima sampai 10 selesai file data umumnya cukup untuk mendapatkan estimasi parameter akurat dan kesalahan standar (Rubin, 1987). Tidak ada hukuman untuk menggunakan lebih dari 10 imputations kecuali untuk upaya ulama yang terlibat dalam Langkah 2 dan 3. Amos dapat menyimpan dataset diselesaikan dalam satu file (file output Single) dengan dataset selesai ditumpuk, atau dapat menyimpan setiap dataset selesai dalam file terpisah (file output Beberapa).

Dalam analisis tunggal-kelompok, memilih file output tunggal menghasilkan satu file output data, sedangkan memilih Beberapa file output hasil m file data terpisah. Dalam analisis beberapa kelompok, bila Anda memilih output pilihan file tunggal, Anda mendapatkan file output terpisah untuk masing-masing kelompok analisis, jika Anda memilih file output Beberapa pilihan, Anda mendapatkan file output m per kelompok. Misalnya, jika Anda memiliki empat kelompok dan meminta lima dataset selesai, kemudian memilih file output tunggal akan memberikan empat file output, dan memilih file output Beberapa akan memberikan Anda 20. Karena kita akan menggunakan

465 data Imputasi

Statistik SPSS untuk menganalisis dataset selesai, hal yang paling sederhana akan memilih file output tunggal. Kemudian, kemampuan split file Statistik SPSS dapat digunakan pada Langkah 2 untuk menganalisis setiap dataset diselesaikan secara terpisah. Namun, untuk membuat mudah untuk meniru contoh ini menggunakan program regresi apapun:

E Pilih file output Beberapa.

Anda dapat menyimpan data diperhitungkan dalam dua format file: teks biasa atau format SPSS Statistik.

E Klik Nama File untuk menampilkan kotak dialog Save As.

E Dalam Nama file kotak teks, Anda dapat menentukan nama awalan untuk dataset diperhitungkan. Di sini,

kami telah ditentukan Grant_Imp. Amos akan nama file data diperhitungkan Grant_Imp1, Grant_Imp2, dan sebagainya melalui Grant_Imp10.

E Gunakan Simpan sebagai jenis daftar drop-down untuk memilih teks biasa (. Txt) atau Statistik SPSS

Format (sav.).

466 Contoh 30

E Klik Simpan. E Klik Opsi di jendela Imputasi data untuk menampilkan imputasi tersedia

Pilihan. Bantuan online menjelaskan pilihan ini. Untuk mendapatkan penjelasan tentang opsi, tempatkan pointer mouse anda ke atas pilihan tersebut dan tekan tombol F1. Gambar di bawah ini menunjukkan bagaimana jumlah pengamatan dapat diubah dari 10.000 (default) untuk 30.000.

E Tutup kotak dialog Options dan klik tombol menyalahkan dalam Imputasi data

window. Setelah waktu yang singkat, pesan berikut akan muncul:

E Klik OK.

Amos daftar nama-nama file data selesai.

467 data Imputasi

Setiap file data yang lengkap berisi 73 kasus lengkap. Berikut adalah tampilan dari beberapa catatan pertama yang pertama selesai data file, Grant_Imp1.sav:

Contoh 468 30

Berikut tampilan identik kedua selesai data file, Grant_Imp2.sav:

Nilai-nilai dalam dua kasus pertama untuk visperc diamati dalam file data asli dan karena itu tidak mengubah seluruh file data diperhitungkan. Sebaliknya, nilai-nilai untuk kasus ini untuk kubus yang hilang dalam file data asli, Grant_x.sav, sehingga Amos telah diperhitungkan nilai yang berbeda di seluruh file data diperhitungkan untuk batu untuk kedua kasus.

Selain variabel yang diamati asli, Amos menambahkan empat variabel baru ke file data diperhitungkan. Spasial dan verbal diperhitungkan nilai variabel laten. CaseNo dan Imputation_ adalah jumlah kasus dan jumlah dataset selesai, masing-masing.

31

Menganalisis Datasets Multiply Imputasi

Contoh ini menunjukkan analisis multiply (diucapkan multiplee) dataset diperhitungkan.

Menganalisis Data File Imputasi Menggunakan Statistik SPSS

Sepuluh dataset selesai diciptakan dalam Contoh 30. Itu Langkah 1 dalam proses tiga langkah: Gunakan fitur Imputasi Data Amos untuk menyalahkan m file data lengkap. (. Sini, m = 10) Dua langkah selanjutnya adalah:

Langkah 2: Lakukan analisis dari masing-masing m file data diselesaikan secara terpisah. Analisis pada Langkah 2 dapat dilakukan dengan menggunakan Amos, Statistik SPSS, atau program lain. Tanpa mengetahui depan waktu Program apa yang akan digunakan untuk menganalisis dataset selesai, tidak mungkin untuk mengotomatisasi Langkah 2 dan 3. Untuk berjalan melalui langkah 2 dan 3 untuk suatu masalah tertentu, kita akan menganalisis dataset diselesaikan dengan menggunakan Statistik SPSS untuk melakukan analisis regresi di mana satu variabel (kalimat) yang digunakan untuk memprediksi variabel lain (wordmean). Kami akan fokus secara khusus pada estimasi berat regresi dan standard error-nya.

469

470 Contoh 31

Langkah 2: Sepuluh Analisis terpisah

Untuk setiap 10 dataset selesai dari Contoh 30, kita perlu melakukan analisis regresi di mana kalimat yang digunakan untuk memprediksi wordmean. Kita mulai dengan membuka selesai dataset pertama, Grant_Imp1.sav, dalam Statistik SPSS.

E Dari menu Statistik SPSS, pilih Analyze → Regression → Linear dan melakukan

analisis regresi. (. Kami berasumsi Anda tidak perlu petunjuk rinci untuk langkah ini) Hasilnya adalah sebagai berikut:

Coefficientsa

Unstandardixed Koefisien Model 1 (Constant) kalimat B -2,712 1,106 Std. Kesalahan 3.110 0,160 0,634 Standar Koefisien Beta t - 0,872 6,908 Sig. 0,386 .000

a. Dependent Variable: wordmean

Kami akan fokus pada berat estimasi regresi (1,106) dan standard error estimasi (0.160). Mengulangi analisis yang baru saja dilakukan untuk masing-masing sembilan lainnya dataset selesai memberikan sembilan lebih perkiraan untuk berat regresi dan untuk kesalahan standar. Semua 10 estimasi dan kesalahan standar ditunjukkan dalam tabel berikut:

471 Menganalisis Datasets Multiply Imputasi

Tuduhan

ML Perkirakan

ML Standard Error

1 2 3 4 5 6 7 8 9 10

1,106 1,080 1,118 1,273 1,102 1,286 1,121 1,283 1,270 1,081

0,160 0,160 0,151 0,155 0,154 0,152 0,139 0,140 0,156 0,157

Langkah 3: Menggabungkan Hasil Data File Multiply Imputasi

Standar error dari analisis setiap dataset selesai tunggal tidak akurat karena mereka tidak memperhitungkan ketidakpastian yang timbul dari imputing hilang nilai data. Perkiraan dan kesalahan standar harus dikumpulkan dari analisis terpisah dari file data selesai dan digabungkan ke dalam nilai-nilai ringkasan tunggal, satu nilai ringkasan untuk estimasi parameter dan nilai ringkasan lain untuk standard error dari estimasi parameter. Rumus untuk melakukan hal ini (Rubin, 1987) dapat ditemukan di banyak tempat. Rumus di bawah ini diambil dari Schafer (1997, hal. 109). Sisa dari bagian ini berlaku rumus tersebut ke meja 10 estimasi dan 10 kesalahan standar yang ditunjukkan di atas. Dalam apa yang berikut: Misalkan m adalah jumlah dataset selesai (m = 10 dalam kasus ini). (T) sebagai estimasi dari sampel t, sehingga Q (1) = 1,106, Q (2) = 1.080, dan seterusnya. Biarkan Q Misalkan U perkiraan standard error dari sampel t, jadi 0.160, dan seterusnya.

(T)

U

(1)

= 0.160,

(2)

=

Kemudian estimasi multi-imputasi dari berat regresi hanya rata-rata dari 10 perkiraan dari 10 dataset selesai:

1 m (t) Q = Σ Q = 1,172 m t = 1

472 Contoh 31

Untuk mendapatkan standard error untuk estimasi parameter gabungan, melalui langkah-langkah berikut:

E Hitunglah rata-rata dalam-imputasi varians.

m

1 U = - m

ΣU

t = 1 m

= 0,0233

E Hitung varians antara-imputasi.

1 B = ----------- m-1

Σ (Q

t = 1

- Q) = 0,0085

2

E Hitunglah total varians.

1 ⎞ 1 ⎞ T = U + ⎛ 1 + --- B = 0,0233 + ⎛ 1 + ----- 0,0085 = 0,0326 ⎝ ⎝ ⎠ m 10 ⎠ Berbagai kelompok error standar maka T = 0,0326 = 0,1807

Sebuah uji hipotesis nol bahwa regression weight adalah 0 dalam populasi dapat didasarkan pada statistik Q 1,172 ------ = --------------- = 6.49 0,1807 T yang , jika berat regresi adalah 0, telah di distribusi dengan derajat kebebasan yang diberikan oleh

2 2

U - = (10 - 1) 1 + ------------------------------------ 0,0233 v = ( m - 1) 1 + --------------------- 1 ⎞ 1 ⎞ ⎛ 1 + - ⎛ 1 + ----- B - 0,0085 ⎝ ⎝ m ⎠ 10 ⎠

= 109

Sebuah kalkulator yang menerapkan formula ini dan juga menyediakan interval kepercayaan multi-imputasi dapat didownload dari http://www.amosdevelopment.com/bayes/calculator. Program NORM Joseph Schafer juga melakukan perhitungan ini. NORM dapat didownload dari http://www.stat.psu.edu/ ~ jls / misoftwa.html # menang.

473 Menganalisis Multiply Datasets Imputasi

Bacaan lebih lanjut

Amos menyediakan beberapa metode canggih penanganan data yang hilang, termasuk FIML (dijelaskan dalam Contoh 17), imputasi ganda, dan estimasi Bayesian. Untuk mempelajari lebih lanjut tentang masing-masing metode, konsultasikan Schafer dan Graham (2002) untuk gambaran kekuatan FIML dan imputasi ganda. Allison memiliki ringkas, monografi dibaca yang mencakup baik FIML dan imputasi ganda, termasuk sejumlah contoh bekerja dan diskusi yang sangat baik tentang bagaimana untuk menangani variabel non-normal dan kategoris dalam konteks beberapa metode imputasi yang mengasumsikan normalitas multivariat (Allison, 2002 ). Schafer (1997) menyediakan, perlakuan teknis mendalam tentang imputasi ganda. Schafer dan Olsen (1998) memberikan dibaca, langkah-demi-langkah panduan untuk melakukan imputasi ganda. Sebuah studi SEM-spesifik membandingkan kinerja statistik imputasi FIML dan multiple dalam model persamaan struktural juga tersedia (Olinsky, Chen, dan Harlow, 2003). Terakhir, perlu dicatat bahwa pendekatan estimasi Bayesian dibahas dalam Contoh 26 hingga 29 mirip dengan FIML dalam menangani data yang hilang. Ibrahim dan rekan baru-baru ini membandingkan kinerja FIML, estimasi Bayesian, probabilitas pembobotan, dan beberapa pendekatan imputasi untuk mengatasi masalah data yang tidak lengkap dan menyimpulkan bahwa empat pendekatan ini pada umumnya sama dalam kinerja yang memuaskan mereka untuk menangani masalah data yang tidak lengkap di mana data yang hilang muncul dari a (MAR) Proses hilang-di-acak (Ibrahim, Chen, Lipsitz, dan Herring, 2005). Sementara kajian mereka dianggap model linier umum daripada SEM, hasil dan kesimpulan mereka harus berlaku umum untuk berbagai model statistik dan skenario analisis data, termasuk yang menampilkan SEM.

32

Data yang disensor

Contoh ini menunjukkan estimasi parameter, estimasi distribusi prediksi posterior, dan imputasi Data dengan data tersensor.

Tentang Data

Untuk contoh ini, kita menggunakan data tersensor dari 103 pasien yang diterima di Stanford Program Transplantasi Jantung selama tahun 1967 sampai 1974. Data dikumpulkan oleh Crowley dan Hu (1977) dan telah dianalisa oleh Kalbfleisch dan Prentice (2002), antara lain. Dataset disimpan dalam file transplantasi-a.sav.

475

476 Contoh 32

Membaca di baris pertama terlihat pada gambar di atas, Pasien 17 diterima ke dalam program pada tahun 1968. Pasien pada waktu itu berusia 20,33 tahun. Pasien meninggal 35 hari kemudian. Nomor berikutnya, 5,916, adalah akar kuadrat dari 35. Amos mengasumsikan bahwa variabel disensor biasanya didistribusikan. Akar kuadrat dari waktu kelangsungan hidup akan digunakan dalam contoh ini dalam keyakinan bahwa itu mungkin lebih hampir terdistribusi normal daripada waktu kelangsungan hidup itu sendiri. Uncensored berarti bahwa kita tahu berapa lama pasien tinggal. Dengan kata lain, pasien sudah meninggal, dan itu adalah bagaimana kita bisa mengatakan bahwa ia tinggal selama 35 hari setelah dirawat ke dalam program. Beberapa pasien yang masih hidup saat terakhir terlihat. Sebagai contoh, Pasien 25 memasuki program pada tahun 1969 pada usia 33,22 tahun. Pasien terakhir terlihat 1.799 hari kemudian. Jumlah 42,415 adalah akar kuadrat dari 1.799. Kata disensor di kolom Status berarti bahwa pasien masih hidup 1.799 hari setelah diterima dalam program ini, dan itu adalah terakhir kali pasien terlihat.

Jadi, kita tidak bisa mengatakan bahwa pasien bertahan selama 1.799 hari. Bahkan, ia bertahan selama lebih lama dari itu, kami tidak tahu berapa lama lagi.

Ada banyak kasus seperti itu. Pasien nomor 26 itu terakhir terlihat 1.400 hari setelah penerimaan ke dalam program dan, pada waktu itu, masih hidup, jadi kita tahu bahwa pasien yang hidup selama setidaknya 1.400 hari. Hal ini tidak jelas apa yang harus dilakukan dengan nilai disensor seperti Pasien 25 waktunya kelangsungan hidup 1.799 hari. Anda tidak bisa hanya membuang 1.799 dan semua nilai-nilai disensor lain karena yang berjumlah membuang pasien yang tinggal lama. Di sisi lain, Anda tidak dapat menyimpan 1.799 dan memperlakukannya sebagai skor biasa karena Anda tahu pasien benar-benar hidup selama lebih dari 1.799 hari. Dalam Amos, Anda dapat menggunakan informasi yang Pasien 25 hidup selama lebih dari 1.799 hari, tidak membuang informasi atau berpura-pura bahwa waktu kelangsungan hidup pasien adalah

477 data Censored

dikenal lebih tepat daripada itu. Tentu saja, di mana pun data memberikan nilai numerik yang tepat, seperti dalam kasus Pasien 24 yang diketahui telah bertahan selama 218 hari, bahwa nilai numerik yang tepat digunakan.

Pengodean ulang data

File data perlu recoded sebelum Amos membacanya. Gambar berikut menunjukkan sebagian dari dataset setelah pengodean ulang. (Ini dataset lengkap dalam file transplantasi-b.sav.)

Setiap pengamatan uncensored muncul dalam file data baru hanya cara itu dalam file data asli. Nilai disensor, bagaimanapun, dikodekan berbeda. Misalnya, waktu kelangsungan hidup pasien 25, yang hanya diketahui lebih besar dari 1.799, dikodekan sebagai> 1799 dalam file data baru. (Spasi pada string seperti> 1799 adalah opsional.) Akar kuadrat dari waktu kelangsungan hidup diketahui lebih besar dari 42,415, sehingga kolom timesqr dari file data berisi> 42,415 untuk Pasien 25. Untuk format file data (seperti Statistik SPSS) yang membuat perbedaan antara numerik dan string variable, waktu dan timesqr perlu dikodekan sebagai string variable.

Menganalisis Data

Untuk menentukan file data dalam Amos Graphics:

E Dari menu, pilih File → Data File.

478 Contoh 32

E Kemudian pada kotak dialog Data File, klik tombol File Name. E Pilih file data transplantasi-b.sav. E Pilih Izinkan data non-numerik (tanda centang di samping itu).

Pengodean ulang data seperti yang ditunjukkan di atas dan memilih Izinkan data non-numerik adalah satu-satunya langkah tambahan yang diperlukan untuk menganalisis data disensor. Dalam semua hal lain, pas model dengan data disensor dan menafsirkan hasil yang persis sama seperti jika data itu murni numerik.

Melakukan Analisis Regresi

Mari kita coba memprediksi timesqr menggunakan usia dan tahun penerimaan (acceptyr) sebagai prediktor. Mulailah dengan menggambar diagram jalur berikut:

usia timesqr acceptyr

1

0,

e

479 data Censored

Untuk sesuai model:

E Klik

pada toolbar.

atau

E Dari menu, pilih Analyze → Estimasi Bayesian.

Tombol dinonaktifkan karena, dengan data non-numerik, Anda hanya dapat melakukan estimasi Bayesian. Setelah jendela SEM Bayesian terbuka, tunggu sampai perubahan wajah bahagia menjadi wajah gembira. Tabel estimasi di jendela SEM Bayesian harus terlihat seperti ini:

Catatan:

(Hanya sebagian dari tabel ditunjukkan pada gambar.) Kolom Berarti berisi perkiraan titik untuk parameter. Berat regresi menggunakan acceptyr untuk memprediksi timesqr 1.45, sehingga setiap kali kemajuan kalender satu tahun, Anda memprediksi peningkatan dari 1,45 di akar kuadrat dari waktu hidup. Hal ini menunjukkan bahwa program transplantasi mungkin telah meningkatkan selama periode yang dicakup oleh penelitian. Berat regresi untuk menggunakan usia untuk memprediksi timesqr adalah -0.29, jadi untuk setiap tahun lebih tua pasien adalah ketika mengakui ke program transplantasi, Anda mengharapkan penurunan 0,29 di akar kuadrat dari waktu hidup. Regresi berat perkiraan -0.29 sebenarnya adalah mean dari distribusi posterior dari berat regresi.

E Untuk melihat distribusi posterior keseluruhan, klik kanan baris yang berisi estimasi -0.29 dan pilih Tampilkan posterior dari menu pop-up.

480 Contoh 32

Kotak dialog posterior terbuka, menampilkan distribusi posterior dari berat regresi.

Distribusi posterior dari berat regresi memang berpusat di sekitar -0.29. Distribusi terletak hampir seluruhnya antara -0.75 dan 0,25, sehingga dijamin praktis bahwa berat regresi terletak pada kisaran tersebut. Sebagian besar distribusi terletak di antara -0.5 dan 0, jadi kita cukup yakin bahwa berat regresi terletak di antara -0.5 dan 0.

481 data Censored

Distribusi prediktif Posterior

Ingat bahwa dataset mengandung beberapa nilai seperti disensor waktu 25 Pasien yang bertahan hidup. Semua kita benar-benar tahu tentang waktu 25 Pasien yang bertahan hidup adalah bahwa hal itu lebih panjang dari 1.799 hari atau, sama, bahwa akar kuadrat dari waktu kelangsungan hidup melebihi 42,415. Meskipun kita tidak tahu jumlah dimana timesqr pasien ini melebihi 42,415, kita dapat meminta untuk distribusi posterior. Dengan mempertimbangkan fakta bahwa timesqr melebihi 42,415, dengan asumsi bahwa model tersebut benar, dan mengambil usia pasien dan acceptyr ke rekening, apa yang dapat dikatakan tentang waktu 25 Pasien yang bertahan hidup? Untuk mengetahui:

E Klik tombol prediktif Posterior

.

E Dari menu, pilih View → Posterior prediktif.

The posterior prediktif Jendela Distribusi memperlihatkan tabel dengan baris untuk setiap orang dan kolom untuk setiap variabel yang diamati dalam model. Mencari di baris ke-25, kita melihat pasien 25 adalah usia dan skor acceptyr. Untuk Pasien 25 yang timesqr, semua yang kita lihat adalah << simbol, yang menunjukkan bahwa data memberikan kendala ketimpangan pada skor timesqr dan bukan nilai numerik yang sebenarnya. Untuk melihat distribusi posterior Pasien 25 yang timesqr:

E Klik <<. Distribusi posterior muncul di jendela posterior.

482 Contoh 32

Distribusi posterior untuk Pasien 25 yang timesqr terletak sepenuhnya di sebelah kanan 42,415. Tentu saja, kita tahu dari data sendiri yang timesqr melebihi 42,415, tetapi sekarang kita juga tahu bahwa ada praktis tidak ada kesempatan bahwa Pasien 25 itu timesqr melebihi 70. Untuk itu, hanya ada kemungkinan tipis bahwa timesqr bahkan melebihi 55. Untuk melihat distribusi prediksi posterior yang terlihat sangat berbeda dari Pasien 25 's:

E Klik simbol << di baris ke-100 Posterior tabel distribusi prediktif.

483 data Censored

Pasien 100 masih hidup saat terakhir diamati pada hari ke-38 setelah penerimaan ke dalam program, sehingga timesqr nya diketahui melebihi 6,164. Distribusi posterior timesqr bahwa pasien menunjukkan bahwa secara praktis dijamin akan antara 6,164 dan 70, dan hampir pasti menjadi antara, 6,164 dan 50. Rata-rata adalah 27,36, menyediakan titik perkiraan timesqr jika diperlukan. Mengkuadratkan 27.36 memberikan 748, perkiraan Pasien 100 waktunya kelangsungan hidup pada hari.

484 Contoh 32

Tuduhan

Anda dapat menggunakan model ini untuk menghubungkan nilai-nilai untuk nilai disensor.

E Tutup jendela SEM Bayesian jika terbuka. E Dari menu Amos Graphics, pilih Analyze → data Imputasi.

Perhatikan bahwa regresi imputasi dan imputasi regresi Stochastic dinonaktifkan. Bila Anda memiliki data non-numerik seperti data disensor, Bayesian imputasi adalah satu-satunya pilihan. Kami akan menerima opsi yang ditampilkan pada gambar sebelumnya, menciptakan 10 dataset selesai dan menyimpan semua 10 dalam SPSS Statistik file data tunggal yang disebut transplantb_C.sav. Untuk memulai tuduhan tersebut:

E Klik tombol menyalahkan.

Bayesian Jendela SEM terbuka bersama dengan Data kotak dialog Imputasi.

485 data Censored

E Tunggu sampai kotak dialog data Imputasi menampilkan wajah gembira

untuk menunjukkan bahwa masing-masing dari 10 dataset diselesaikan secara efektif tidak berkorelasi dengan yang lain.

Catatan: Setelah Anda melihat wajah gembira tapi sebelum Anda mengklik OK, Anda dapat memilih untuk opsional klik kanan parameter di jendela SEM Bayesian dan pilih Tampilkan posterior dari menu pop-up. Ini akan memungkinkan Anda untuk memeriksa Trace dan plot Autokorelasi.

E Klik OK di kotak dialog data Imputasi.

Ringkasan window menampilkan daftar file data lengkap yang dibuat. Dalam hal ini, hanya satu data file selesai dibuat.

486 Contoh 32

E Klik dua kali nama file untuk menampilkan isi dari single data file selesai,

yang berisi 10 dataset selesai. File ini berisi 1.030 kasus karena masing-masing dari 10 dataset selesai berisi 103 kasus. Pertama 103 baris dari file data baru berisi dataset pertama selesai. Variabel Imputation_ adalah sama dengan 1 untuk setiap baris dalam dataset pertama selesai, dan variabel CaseNo berlangsung dari 1 sampai 103.

487 data Censored

Baris pertama dari file data lengkap berisi nilai timesqr dari 7. Karena itu bukan nilai yang disensor, 7 bukanlah nilai yang diperhitungkan. Ini hanya sebuah nilai numerik biasa yang hadir dalam file data asli. Di sisi lain, Pasien 25 yang timesqr disensor, sehingga pasien yang memiliki timesqr diperhitungkan (dalam hal ini, 49,66.) Nilai 49.66 adalah nilai yang diambil secara acak dari distribusi prediktif posterior pada gambar di halaman. 482.

488 Contoh 32

Biasanya, langkah berikutnya akan menggunakan 10 dataset selesai pada transplantb_C.sav sebagai masukan untuk program lain yang tidak dapat menerima data tersensor. Anda akan menggunakan program lain untuk melakukan 10 analisis terpisah, menggunakan masing-masing dari 10 dataset selesai pada gilirannya. Kemudian Anda akan melakukan perhitungan lebih lanjut untuk menggabungkan hasil dari 10 orang analisis terpisah menjadi satu set hasil, seperti yang dilakukan dalam Contoh 31.

Langkah-langkah tidak akan dilakukan di sini.

Kendala Kesenjangan Umum Nilai data

Contoh ini digunakan hanya kendala ketimpangan seperti> 1799. Berikut adalah beberapa contoh lain dari nilai string yang dapat digunakan dalam file data untuk menempatkan kendala ketimpangan pada nilai variabel numerik yang mendasari:

?? Nilai string <5 berarti bahwa nilai numerik yang mendasari kurang dari 5. String value 4 << 5 berarti bahwa nilai numerik yang mendasari adalah antara 4 dan 5.

Contoh

33

Data yang memerintahkan-kategoris

Pengantar

Contoh ini menunjukkan bagaimana menyesuaikan model analisis faktor data-memerintahkan kategoris. Hal ini juga menunjukkan bagaimana untuk menemukan distribusi prediktif posterior untuk variabel numerik yang mendasari respon kategoris dan bagaimana menyalahkan nilai numerik untuk respon kategoris.

Tentang Data

Contoh ini menggunakan data pada sikap terhadap isu-isu lingkungan yang diperoleh dari kuesioner yang diberikan kepada 1.017 responden di Belanda. Data berasal dari Kelompok Studi Nilai Eropa (lihat daftar pustaka untuk kutipan). File data lingkungan nl-string.sav berisi tanggapan terhadap enam item kuesioner dengan tanggapan kategoris sangat tidak setuju (SD), tidak setuju (D), setuju (A), dan sangat setuju (SA).

489

490 Contoh 33

Salah satu cara untuk menganalisis data ini adalah untuk menetapkan nomor ke empat respon kategoris, misalnya, menggunakan penempatan 1 = SD, 2 = D, 3 = A, 4 = SA. Jika Anda menetapkan nomor ke kategori dengan cara itu, Anda mendapatkan dataset dalam lingkungan-nl-numeric.sav.

Dalam analisis Amos, tidak perlu untuk menetapkan nomor ke kategori dengan cara hanya ditampilkan. Hal ini dimungkinkan untuk menggunakan hanya sifat ordinal dari empat tanggapan kategoris. Jika Anda ingin menggunakan hanya sifat ordinal data, Anda dapat menggunakan salah satu dataset, lingkungan-nl-string.sav atau lingkungan-nl-numeric.sav.

491 data Memerintahkan-kategoris

Ini mungkin sedikit lebih mudah untuk menggunakan lingkungan-nl-numeric.sav karena Amos akan menganggap bahwa secara default kategori bernomor masuk dalam urutan 1, 2, 3, 4, dengan 1 adalah kategori terendah. Itu terjadi menjadi urutan yang benar. Dengan lingkungan nlstring.sav, sebaliknya, Amos akan menganggap secara default bahwa kategori disusun menurut abjad dalam urutan A, D, SA, SD, dengan A menjadi kategori terendah. Itulah urutan yang salah, sehingga default urutan kategori oleh Amos harus diganti. Data lingkungan nl-string.sav file yang akan digunakan untuk contoh ini karena maka akan menjadi jelas bahwa hanya sifat ordinal dari data yang digunakan, dan juga Anda dapat melihat bagaimana untuk menentukan pemesanan yang benar dari kategori.

Menentukan Data File

E Dari menu Graphics Amos, pilih File → Data File. E Pada jendela Data File, klik tombol File Name. E Pilih file data lingkungan nl-string.sav. E Pilih Izinkan data non-numerik (tanda centang di samping itu). E Klik OK.

492 Contoh 33

Pengodean ulang data dalam Amos

Sifat ordinal data tidak dapat disimpulkan dari file data saja.

Untuk memberikan Amos informasi tambahan yang dibutuhkan sehingga dapat menafsirkan data nilai SD, D, A, dan SA:

E Dari menu Graphics Amos, pilih Tools → data Recode. E Pilih item1 dalam daftar variabel di sudut kiri atas jendela Recode Data.

Ini menampilkan distribusi frekuensi tanggapan terhadap item1 di bagian bawah jendela.

493 data Memerintahkan-kategoris

Pada kotak berlabel aturan recoding, notasi ada recoding berarti bahwa Amos akan membaca tanggapan terhadap item1 seperti. Dengan kata lain, akan membaca baik SD, D, A, SA, atau string kosong. Kita tidak bisa meninggalkan hal-hal seperti itu karena Amos tidak tahu apa yang harus dilakukan dengan SD, D, dan seterusnya.

E Klik ada recoding dan pilih Memerintahkan-kategoris dari daftar drop-down.

494 Contoh 33

Tabel frekuensi di bagian bawah jendela sekarang memiliki nilai kolom baru yang menunjukkan bagaimana item1 nilai dalam file data akan recoded sebelum Amos membaca data. Baris pertama dari tabel frekuensi menunjukkan bahwa string kosong dalam file data asli akan diperlakukan sebagai nilai-nilai yang hilang. Baris kedua menunjukkan bahwa respon A akan diterjemahkan ke dalam string <,0783345405060296. Amos akan menafsirkan ini berarti bahwa ada variabel numerik terus menerus yang mendasari tanggapan terhadap item1, dan bahwa orang yang memberikan respon A memiliki skor yang kurang dari ,0783345405060296 pada variabel yang mendasari. Demikian pula, baris ketiga menunjukkan bahwa respon D akan diterjemahkan ke dalam string ,0783345405060296 << ,442569286522029 dan ditafsirkan oleh Amos berarti bahwa skor pada variabel numerik yang mendasari adalah antara ,0783345405060296 dan ,442569286522029. Angka-angka, ,0783345405060296, ,442569286522029, dan sebagainya, yang berasal dari frekuensi di Frekuensi

495 data Memerintahkan-kategoris

kolom, didasarkan pada asumsi bahwa nilai pada variabel numerik yang mendasari terdistribusi

normal dengan rata-rata 0 dan deviasi standar 1. Urutan kategori dalam kolom Nilai Asli perlu diubah. Untuk mengubah urutan ini:

E Klik tombol Details. The Memerintahkan-kategoris Detail kotak dialog akan terbuka.

Memerintahkan kategori box menunjukkan empat kategori respon diatur dalam urutan A, D, SA, SD, dan terpisah satu sama lain dengan garis putus-putus, <---->. Garis putus-putus mewakili tiga batas-batas yang membagi bilangan real menjadi empat interval, dengan empat interval dikaitkan dengan empat respon kategoris. Asumsi yang dibuat bahwa seseorang yang mendapatkan nilai di bawah batas terendah pada beberapa variabel numerik teramati memberikan respon A. Seseorang yang skor antara batas terendah dan batas tengah memberikan respon D. Seseorang yang skor antara batas tengah dan batas tertinggi memberikan respon SA. Akhirnya, orang yang nilai di atas batas tertinggi memberikan respon SD. Program ini benar tentang ada menjadi empat kategori (interval) dan tiga batas, tetapi memiliki Urutan kategori yang salah. Program ini sewenang-wenang menurut abjad kategori. Kita perlu menjaga empat kategori dan tiga batas tapi mengatur ulang mereka. Kami ingin SD jatuh dalam interval terendah (di bawah batas terendah), dan sebagainya.

496 Contoh 33

Anda dapat mengatur ulang kategori dan batas-batas. Untuk melakukan hal ini:

E Drag dan drop dengan mouse.

E Pilih kategori atau batas dengan mouse kemudian klik tombol Naik atau Turun.

Setelah meletakkan kategori dan batas-batas dalam urutan yang benar, Rincian kotak dialog OrderedCategorical terlihat seperti ini:

The Unordered kategori kotak daftar berisi daftar nilai-nilai yang Amos akan memperlakukan sebagai hilang. Saat ini, daftar berisi satu entri, [string kosong], sehingga Amos akan memperlakukan string kosong sebagai nilai yang hilang. Jika respon yang dikodekan sebagai string kosong sebenarnya respon yang bisa bermakna dibandingkan dengan SD, D, A, dan SA, maka Anda akan pilih [string kosong] dalam kategori

Unordered list box dan klik tombol Bawah untuk memindahkan [kosong string] ke dalam kategori Memerintahkan kotak daftar. Demikian pula, jika respon dalam kategori Memerintahkan kotak daftar, misalnya SD, tidak sebanding dengan tanggapan lain, Anda akan pilih dengan mouse dan klik tombol Atas untuk memindahkannya ke dalam kategori Unordered list box. Kemudian SD akan diperlakukan sebagai nilai yang hilang.

497 data Memerintahkan-kategoris

Catatan: Anda tidak dapat drag dan drop antara Memerintahkan kategori daftar kotak dan kotak daftar Unordered kategori. Anda harus menggunakan tombol Atas dan Bawah untuk memindahkan kategori dari satu kotak ke yang lain.

Kita bisa berhenti di sini dan menutup kotak dialog Rincian Memerintahkan-kategoris karena kita memiliki jumlah yang tepat dari batas-batas dan kategori dan kami memiliki kategori akan dalam urutan yang benar. Namun, kami akan membuat perubahan selanjutnya berdasarkan saran oleh Croon (2002), yang juga bekerja dengan dataset ini dan menyimpulkan bahwa kategori SD terjadi sehingga jarang bahwa itu harus dikombinasikan dengan kategori D. Untuk menggabungkan dua kategori menjadi satu kategori:

E Pilih batas antara dua kategori yang ingin Anda gabung. E Klik tombol Hapus Batas. Daftar kategori Memerintahkan sekarang terlihat seperti ini:

Sekarang respon SD dan respon D dibedakan. Entah respon berarti bahwa orang yang memberi respon memiliki skor yang terletak pada interval terendah pada variabel numerik yang mendasarinya. Masih ada pertanyaan tentang nilai-nilai dari dua batas yang memisahkan tiga interval. Jika Anda tidak menentukan nilai batas, Amos akan memperkirakan batas-batas dengan mengasumsikan bahwa nilai pada variabel numerik yang mendasari biasanya

498 Contoh 33

didistribusikan dengan rata-rata 0 dan deviasi standar 1. Atau, Anda dapat memberikan nilai pada batas bukannya membiarkan Amos memperkirakan itu.

Untuk menetapkan nilai:

E Pilih batas dengan mouse. E Ketik nilai numerik dalam kotak teks.

Gambar berikut menunjukkan hasil menetapkan nilai 0 dan 1 ke dua batas.

Meskipun mungkin tidak jelas, diperbolehkan untuk menetapkan 0 dan 1, atau sepasang angka, dengan dua batas, asalkan batas yang lebih tinggi diberikan nilai yang lebih besar daripada yang lebih rendah. Tidak peduli berapa banyak batas ada (asalkan setidaknya ada dua), menempatkan nilai ke dua dari batas berjumlah memilih titik nol dan unit pengukuran untuk variabel numerik yang mendasarinya. Skala dari variabel numerik yang mendasari dibahas lebih lanjut dalam bantuan online di bawah topik "Memilih batas ketika ada tiga kategori."

E Klik OK untuk menutup kotak dialog Rincian Memerintahkan-kategoris.

499 data Memerintahkan-kategoris

Perubahan yang hanya dibuat untuk kategori dan batas-batas selang sekarang tercermin dalam tabel frekuensi di bagian bawah jendela Recode Data.

Tabel frekuensi menunjukkan bagaimana nilai-nilai yang muncul dalam file data akan recoded sebelum Amos membacanya. Membaca tabel frekuensi dari atas ke bawah:

Sebuah string kosong akan diperlakukan sebagai nilai yang hilang. Senar SD dan D akan recoded sebagai <0, yang berarti bahwa yang mendasari numerik

nilai kurang dari 0.

A akan recoded sebagai 0 << 1, yang berarti bahwa nilai numerik yang mendasari adalah antara

0 dan 1.

SA akan recoded sebagai> 1, yang berarti bahwa nilai numerik yang mendasari lebih besar

dari 1.

500 Contoh 33

Yang menangani item1. Apa yang hanya dilakukan untuk item1 harus diulang untuk masing-masing lima variabel yang diamati tersisa. Setelah menentukan pengodean ulang untuk semua enam variabel yang diamati, Anda dapat melihat dataset asli bersama dengan variabel recoded. E Klik tombol View Data.

Tabel di sebelah kiri menunjukkan isi dari file data asli sebelum pengodean ulang. Tabel di sebelah kanan menunjukkan variabel recoded setelah pengodean ulang. Ketika Amos melakukan analisis, membaca nilai-nilai recoded, bukan nilai-nilai asli.

Catatan: Anda dapat membuat file data mentah dimana recoding data yang sudah

dilakukan. Dengan kata lain, Anda dapat membuat file data mentah yang berisi kesenjangan di sisi kanan gambar di atas. Dalam hal ini, Anda tidak perlu menggunakan jendela Recode Data Amos. Memang, pendekatan yang digunakan dalam Bab 32.

E Akhirnya, tutup jendela Recode data sebelum menentukan model.

Menentukan Model

Setelah Anda telah menetapkan aturan untuk data pengodean ulang seperti yang ditunjukkan di atas, analisis berlangsung sama seperti analisis Bayesian. Untuk contoh ini, model analisis faktor akan dipasang pada item kuesioner enam di dataset lingkungan. Tiga pertama item dirancang untuk menjadi ukuran kesediaan untuk menghabiskan uang untuk mengurus

501 data Memerintahkan-kategoris

lingkungan. Tiga item lainnya yang dirancang untuk menjadi ukuran kesadaran akan masalah lingkungan. Ini desain kuesioner tercermin dalam model analisis faktor berikut, yang disimpan dalam file EX33-a.amw.

item1 item2 Item3 Item4

AWARE

0, 1 1

0, 1

e1

BERSEDIA

e2 e3 e4 e5 e6

item5 item6

Jalur Diagram digambar persis seperti itu akan ditarik untuk data numerik. Ini adalah salah satu hal yang baik tentang memiliki setidaknya tiga kategori untuk setiap variabel memerintahkan-kategoris: Anda dapat menentukan model dalam cara yang Anda digunakan untuk, hanya seolah-olah semua variabel yang numerik, dan model akan bekerja untuk setiap kombinasi variabel numerik dan memerintahkan-kategoris. Jika variabel dikotomis, Anda akan perlu untuk memberlakukan batasan parameter tambahan untuk membuat model diidentifikasi. Masalah ini dibahas lebih lanjut dalam bantuan online di bawah topik "Identifikasi Parameter dengan variabel dikotomis."

Pemasangan Model

Catatan: Tombol dinonaktifkan karena, dengan data non-numerik, Anda hanya dapat melakukan estimasi Bayesian.

502 Contoh 33

Bayesian jendela SEM maka harus terlihat seperti ini:

(Gambar di atas menunjukkan beberapa, tapi tidak semua, dari estimasi parameter.) Kolom Berarti memberikan perkiraan titik untuk setiap parameter. Misalnya, berat regresi menggunakan BERSEDIA untuk memprediksi item1 diperkirakan 0,59. The skewness (0,09) dan kurtosis (-0.01) dari distribusi posterior dekat dengan 0, yang kompatibel dengan distribusi posterior yang hampir normal. Standar deviasi (SD) adalah 0,03, sehingga ada sekitar 67% kemungkinan bahwa berat regresi dalam 0,03 dari 0,59. Menggandakan standar deviasi memberikan 0,06, sehingga ada sekitar 95% kemungkinan bahwa berat regresi dalam 0,06 dari 0,59. Untuk melihat distribusi posterior dari berat regresi:

E Klik kanan baris dan pilih Tampilkan posterior dari menu pop-up.

503 data Memerintahkan-kategoris

The posterior jendela menampilkan distribusi posterior. Munculnya distribusi menegaskan apa yang disimpulkan di atas dari rata-rata, standar deviasi, skewness, dan kurtosis dari distribusi. Bentuk distribusi yang mendekati normal, dan sepertinya sekitar 95% dari wilayah terletak antara 0,53 dan 0,65 (yaitu, dalam 0,06 dari 0,59).

504 Contoh 33

MCMC Diagnostik

Jika Anda tahu bagaimana menafsirkan output diagnostik dari algoritma MCMC (misalnya, lihat Gelman, et al, 2004), Anda mungkin ingin melihat jejak plot dan plot Autokorelasi.

505 data Memerintahkan-kategoris

Pertama dan terakhir petak memberikan diagnostik lain. Ini menunjukkan dua perkiraan distribusi posterior (dua plot ditumpangkan), satu perkiraan dari sepertiga pertama dari sampel MCMC dan perkiraan lain dari sepertiga terakhir dari sampel MCMC.

506 Contoh 33

Ketika Anda berpikir tentang estimasi, Anda biasanya berpikir tentang estimasi parameter model

yang atau beberapa fungsi dari model parameter seperti berat regresi standar atau efek tidak langsung. Namun, ada jumlah yang tidak diketahui lainnya dalam analisis ini. Setiap entri dalam tabel data pada halaman. 490 merupakan nilai numerik yang tidak diketahui atau dikenal sebagian. Sebagai contoh, Orang 1 tidak menanggapi item2, jadi kami hanya bisa menebak (perkiraan) nilai orang itu pada variabel numerik yang mendasarinya. Di sisi lain, sepertinya kita harus bisa membuat tebakan yang cukup dididik tentang nilai numerik yang mendasari, mengingat bahwa kita tahu bagaimana orang menanggapi barang-barang lainnya, dan bahwa kita juga dapat menggunakan asumsi bahwa Model benar.

507 data Memerintahkan-kategoris

Kami berada dalam posisi yang lebih baik untuk menebak Orang 1 ini skor pada variabel numerik yang mendasari item1 karena Orang 1 memberikan respon terhadap item1. Tanggapan orang ini menempatkan skor nya dalam interval tengah, di antara dua batas. Sejak dua batas yang sewenang-wenang tetap pada 0 dan 1, kita tahu bahwa nilai adalah suatu tempat antara 0 dan 1, tapi sepertinya kita harus bisa mengatakan lebih dari itu dengan menggunakan respon seseorang pada variabel lain bersama dengan asumsi bahwa model sudah benar. Dalam estimasi Bayesian, semua kuantitas diketahui diperlakukan dengan cara yang sama. Sama seperti nilai-nilai parameter yang tidak diketahui diperkirakan dengan memberikan distribusi posterior, sehingga nilai-nilai data yang tidak diketahui. Sebuah distribusi posterior untuk nilai data yang tidak diketahui disebut distribusi prediksi posterior, tetapi ditafsirkan sama seperti distribusi posterior. Untuk melihat distribusi prediktif posterior untuk nilai data diketahui:

The posterior prediktif Jendela Distribusi muncul.

Contoh 508 33

The posterior prediktif Jendela Distribusi berisi tabel dengan baris untuk setiap orang dan kolom untuk setiap variabel yang diamati dalam model. Sebuah tanda bintang (*) menunjukkan nilai yang hilang, sementara << menunjukkan respon yang menempatkan kendala ketimpangan pada variabel numerik yang mendasarinya. Untuk menampilkan distribusi posterior untuk item:

E Klik pada entri tabel di sudut kiri atas (1 Orang yang menanggapi item1).

The posterior akan terbuka, menampilkan distribusi posterior Orang skor numerik 1 yang

mendasari. Pada awalnya, distribusi posterior tampak bergerigi dan acak.

509 data Memerintahkan-kategoris

Itu karena program ini adalah membangun perkiraan distribusi posterior sebagai hasil pengambilan sampel MCMC. Semakin lama Anda menunggu, semakin baik estimasi dari distribusi posterior akan. Setelah beberapa saat, perkiraan distribusi posterior stabil dan terlihat seperti ini:

Distribusi posterior menunjukkan bahwa 1 Orang yang skor pada variabel numerik yang mendasari respon nya untuk item1 adalah antara 0 dan 1 (yang kita sudah tahu), dan bahwa skor lebih mungkin untuk menjadi dekat dengan 1 dari mendekati 0.

510 Contoh 33

E Selanjutnya, klik entri tabel di kolom pertama dari baris ke-22 untuk memperkirakan Orang 22 ini

skor pada variabel numerik yang mendasari respon nya untuk item1. Setelah Anda menunggu beberapa saat untuk mendapatkan perkiraan yang baik dari distribusi posterior, Anda melihat ini:

Kedua Orang 1 dan 22 Orang memberikan respon terhadap setuju item1, sehingga kedua orang memiliki skor antara 0 dan 1 pada variabel numerik yang mendasari, namun distribusi posterior mereka sangat berbeda Sebagai contoh lain dari distribusi posterior prediktif, pilih nilai yang hilang seperti Orang 1 ini respon terhadap item2. Setelah memungkinkan MCMC sampel untuk melanjutkan cukup lama untuk mendapatkan perkiraan yang baik dari distribusi posterior, terlihat seperti ini:

511 data Memerintahkan-kategoris

Mean dari distribusi posterior (0.52) dapat diambil sebagai perkiraan Orang 1 ini skor pada variabel yang mendasari jika estimasi titik diperlukan. Melihat plot distribusi posterior, kita dapat hampir 100% yakin bahwa skor antara -1 dan 2. Skor tersebut mungkin antara 0 dan 1 karena sebagian besar daerah di bawah distribusi posterior

terletak antara 0 dan 1.

Distribusi prediktif posterior untuk Variabel Laten

Misalkan Anda ingin memperkirakan Orang 1 ini skor pada faktor BERSEDIA. Amos dapat memperkirakan distribusi posterior prediksi untuk skor diketahui hanya untuk variabel yang diamati. Hal ini tidak dapat memperkirakan distribusi prediksi posterior skor pada variabel laten. Namun, ada trik yang dapat Anda gunakan untuk memperkirakan distribusi prediksi posterior skor pada BERSEDIA. Anda dapat mengubah BERSEDIA ke variabel yang diamati, memperlakukannya bukan sebagai variabel laten tetapi sebagai variabel yang diamati yang memiliki nilai yang hilang untuk setiap kasus. Itu membutuhkan dua perubahan - perubahan ke diagram jalur dan perubahan data. Dalam diagram jalur, elips BERSEDIA harus diubah menjadi persegi panjang. Untuk mencapai hal ini:

E Klik kanan dan pilih elips BERSEDIA Beralih Teramati / teramati dari pop-

up menu.

E Klik elips BERSEDIA.

Perubahan elips BERSEDIA untuk persegi panjang sehingga diagram jalur terlihat seperti ini:

512 Contoh 33

item1 item2 Item3 Item4

Yang membutuhkan perawatan dari diagram jalur. Hal ini juga diperlukan untuk membuat perubahan ke data karena jika BERSEDIA adalah variabel yang diamati, maka harus ada kolom BERSEDIA dalam file data. Anda dapat langsung memodifikasi file data. Karena ini adalah file data dalam format SPSS Statistik, Anda akan menggunakan Statistik SPSS untuk menambahkan variabel BERSEDIA ke file data, memastikan bahwa semua nilai pada BERSEDIA hilang. Untuk menghindari mengubah file data asli:

E Klik kanan variabel BERSEDIA di jalur diagram E Pilih Recode Data dari menu pop-up untuk membuka jendela Recode Data.

E Pada jendela Recode Data, klik Buat Variabel. Sebuah variabel baru dengan default

Nama V1, muncul dalam kotak daftar variabel Baru dan recoded.

513 data Memerintahkan-kategoris

E Ubah V1 ke BERSEDIA. (Jika perlu, klik tombol Rename Variabel.)

514 Contoh 33

E Anda opsional dapat melihat dataset recoded yang meliputi variabel BERSEDIA baru dengan mengklik tombol Lihat Data.

515 data Memerintahkan-kategoris

Tabel di sebelah kiri menunjukkan dataset asli.

Tabel di sebelah kanan menunjukkan dataset recoded sebagai telah dibaca oleh Amos. Ini mencakup item1 melalui item6 setelah recoding, dan juga variabel BERSEDIA baru.

E Tutup jendela Recode Data. E Mulai analisis Bayesian dengan mengklik

pada toolbar Graphics Amos. berubah menjadi bahagia

E Pada jendela SEM Bayesian, tunggu sampai wajah wajah bahagia dan kemudian klik tombol Predictive posterior.

E Klik entri di sudut kanan atas tabel untuk menampilkan distribusi posterior

skor Orang 1 pada faktor BERSEDIA.

516 Contoh 33

Tuduhan

Data imputasi bekerja dengan cara yang sama untuk data kategorikal memerintahkan-seperti halnya untuk data numerik. Dengan data yang memerintahkan-kategorikal, Anda dapat menghubungkan nilai-nilai numerik untuk nilai-nilai yang hilang, untuk nilai pada variabel laten, dan nilai pada variabel numerik teramati yang mendasari diamati pengukuran memerintahkan-kategoris. Anda perlu model untuk melakukan imputasi. Anda bisa menggunakan model analisis faktor yang digunakan sebelumnya. Ada beberapa keuntungan dan kerugian untuk menggunakan satu model analisis faktor untuk imputasi. Satu keuntungan adalah bahwa, jika model yang benar, Anda dapat menghubungkan nilai-nilai untuk faktor. Artinya, Anda dapat membuat data baru ditetapkan di mana BERSEDIA dan AWARE adalah variabel yang diamati. Keuntungan lainnya adalah bahwa, jika model analisis faktor benar, maka dapat diharapkan untuk memberikan imputations lebih akurat item1 melalui item6 daripada yang diperoleh dari model yang lebih ketat. Kerugian dari menggunakan model analisis faktor adalah bahwa hal itu mungkin salah. Untuk berada di sisi aman, contoh ini akan menggunakan model yang memiliki kesempatan terbesar untuk menjadi benar, model jenuh ditunjukkan pada gambar berikut. (Lihat file EX33-c.amw.)

517 data Memerintahkan-kategoris

item1

item2

Item3 Item4 item5 item6

Setelah menggambar diagram jalur untuk model jenuh, Anda dapat mulai tuduhan tersebut.

E Dari menu Amos Graphics, pilih Analyze → data Imputasi.

518 Contoh 33

Dalam Amos jendela Imputasi data, perhatikan bahwa regresi imputasi dan imputasi regresi Stochastic dinonaktifkan. Bila Anda memiliki data non-numerik, Bayesian imputasi adalah satu-satunya pilihan. Kami akan menerima opsi yang ditampilkan pada gambar sebelumnya, menciptakan 10 dataset selesai dan menyimpan semua 10 dalam SPSS Statistik file data tunggal yang disebut lingkungan nlstring_C.sav. Untuk memulai tuduhan tersebut:

E Klik tombol menyalahkan.

Bayesian Jendela SEM terbuka bersama dengan Data kotak dialog Imputasi.

E Tunggu sampai kotak dialog data Imputasi menampilkan wajah gembira

untuk menunjukkan bahwa masing-masing dari 10 set lengkap data efektif berkorelasi dengan yang lain.

Catatan: opsional Setelah Anda melihat wajah gembira tapi sebelum Anda mengklik OK, Anda mungkin benar-

klik parameter dalam jendela SEM Bayesian dan pilih Tampilkan posterior dari menu pop-up. Ini akan memungkinkan Anda untuk memeriksa Trace dan plot Autokorelasi.

519 data Memerintahkan-kategoris

E Klik OK di kotak dialog data Imputasi.

Ringkasan window menampilkan daftar file data lengkap yang dibuat. Dalam hal ini, hanya satu data file selesai dibuat.

E Klik dua kali nama file pada jendela Summary untuk menampilkan isi

tunggal menyelesaikan data file, yang berisi 10 menyelesaikan set data. File ini berisi 10.170 kasus karena masing-masing dari 10 dataset selesai berisi 1.017 kasus.

Pertama 1.017 baris dari file data baru berisi dataset pertama selesai. Variabel Imputation_ adalah sama dengan 1 untuk setiap baris dalam dataset pertama selesai, dan variabel CaseNo berlangsung dari 1 sampai 1.017 sebelum memulai lagi pada 1.

520 Contoh 33

Biasanya, langkah berikutnya akan menggunakan 10 dataset selesai pada lingkungan nlstring_C.sav sebagai masukan untuk program lain yang memerlukan numerik (tidak orderedcategorical) data. Anda akan menggunakan program lain untuk melakukan 10 analisis terpisah menggunakan masing-masing dari 10 set data selesai pada gilirannya. Kemudian, Anda akan melakukan perhitungan lebih lanjut untuk menggabungkan hasil dari 10 orang analisis terpisah menjadi satu set hasil, seperti yang dilakukan dalam Contoh 31. Langkah-langkah tidak akan dilakukan di sini.

Contoh

34

Preparat Modeling dengan Data Pelatihan

Pengantar

Pemodelan Campuran adalah tepat ketika Anda memiliki model yang tidak benar untuk seluruh penduduk, tetapi di mana populasi dapat dibagi menjadi subkelompok sedemikian rupa bahwa model yang benar dalam setiap subkelompok. Pemodelan Campuran dibahas dalam konteks model persamaan struktural oleh Arminger, Stein, dan Wittenberg (1999), Hoshino (2001), Lee (2007, Bab 11), Loken (2004), dan Vermunt Magidson (2005), dan Zhu dan Lee (2001), antara lain. Contoh ini menunjukkan campuran pemodelan untuk situasi di mana beberapa kasus telah ditugaskan untuk kelompok sementara kasus lainnya belum. Terserah Amos untuk belajar dari kasus-kasus yang sudah diklasifikasikan dan mengklasifikasikan yang lain. Kita mulai pemodelan campuran dengan contoh di mana beberapa kasus telah diklasifikasikan karena menyiapkan analisis tersebut hampir identik dengan menyiapkan beberapa analisis-kelompok biasa seperti dalam Contoh 10, 11, dan 12. Hal ini dimungkinkan untuk melakukan pemodelan campuran ketika ada kasus telah diklasifikasikan terlebih dahulu sehingga program harus mengklasifikasikan setiap kasus. Contoh 35 menunjukkan jenis analisis ini.

Tentang Data

Data untuk contoh ini dikumpulkan oleh Anderson (1935) dan digunakan oleh Fisher (1936) untuk menunjukkan analisis diskriminan. Data asli dalam iris.sav berkas, sebagian diantaranya yang ditampilkan di sini:

521

522 Contoh 34

Dataset berisi empat pengukuran pada bunga dari 150 tanaman yang berbeda. Yang pertama adalah 50 bunga iris dari setosa spesies. 50 berikutnya adalah iris dari versicolor spesies. 50 tahun yang lalu adalah dari virginica spesies. Sebuah sebar dua dari pengukuran numerik, PetalLength dan PetalWidth, menunjukkan bahwa kedua pengukuran saja akan berguna dalam mengklasifikasikan bunga sesuai dengan spesies.

523 Campuran Modeling dengan Data Pelatihan

&&&&&&&&&&&&% &&&% &&&%%%%%%%%%%%%% &

&

Jenis

6.0

PetalLength

%%%%%%%%%%%%%

&&&&&&&&&&&&&&&&&&&&&&&

$ Setosa% versicolor & virginica

4.0

%%%%%%%%

2.0

$ $ $ $ $ $ $ $ $ $ $ $ $ $ $

$ $ $ $ $ $ $

0.5

1.0

1.5

2.5

PetalWidth

Bunga-bunga setosa semua sendiri di sudut kiri bawah sebar. Oleh karena itu seharusnya mudah bagi Amos untuk menggunakan PetalLength dan PetalWidth untuk membedakan bunga setosa dari yang lain. Di sisi lain, ada beberapa tumpang tindih versicolor dan virginica, jadi kita harus mengharapkan bahwa kadang-kadang akan sulit untuk mengatakan apakah bunga adalah versicolor atau virginica murni atas dasar PetalLength dan PetalWidth. Contoh ini tidak akan menggunakan dataset iris.sav, yang memberikan spesies setiap bunga. Sebaliknya, contoh akan menggunakan dataset iris3.sav, yang memberikan spesies hanya beberapa bunga. Gambar berikut menunjukkan sebagian dari dataset iris3.sav.

524 Contoh 34

Informasi Spesies yang tersedia untuk 10 dari bunga setosa, 10 bunga-bunga versicolor, dan 10 bunga-bunga virginica. Spesies tidak diketahui untuk 120 bunga yang tersisa. Ketika Amos menganalisis data ini, itu akan memiliki 10 contoh masing-masing jenis bunga untuk membantu dalam mengklasifikasikan sisa bunga.

Melakukan Analisis

E Dari menu, pilih File → New untuk memulai diagram jalur baru. E Dari menu, pilih Analyze → Manage Groups. E Pada kotak dialog Manage Grup, mengubah nama dalam Nama Grup kotak teks dari

Kelompok angka 1 sampai PossiblySetosa.

525 Campuran Modeling dengan Data Pelatihan

E Klik New untuk membuat kelompok kedua. E Mengubah nama dalam Nama grup kotak teks dari Grup angka 2 hingga

PossiblyVersicolor.

E Klik New untuk membuat kelompok ketiga. E Mengubah nama dalam Nama grup kotak teks dari Grup nomor 3 sampai

PossiblyVirginica.

E Klik Tutup.

526 Contoh 34

Menentukan Data File

E Dari menu, pilih File → Data File.

E Klik PossiblySetosa untuk memilih baris itu. E Klik Nama File, pilih file iris3.sav yang ada di direktori Contoh Amos, dan klik Open. E Klik Pengelompokan Variabel dan double-klik Spesies di Pilih Variable Pengelompokan

kotak dialog. Ini memberitahu program bahwa variabel Spesies akan digunakan untuk mengklasifikasikan bunga.

527 Campuran Modeling dengan Data Pelatihan

E Pada kotak dialog Data File, klik Nilai Group dan kemudian klik dua kali setosa di

Pilih Nilai untuk kotak dialog Group.

528 Contoh 34

Data File kotak dialog sekarang harus terlihat seperti ini:

529 Campuran Modeling dengan Data Pelatihan

E Ulangi langkah-langkah sebelumnya untuk kelompok PossiblyVersicolor, tapi kali ini klik dua kali versikolor dalam Pilih Nilai untuk kotak dialog Group. E Ulangi langkah-langkah sebelumnya sekali lagi untuk kelompok PossiblyVirginica, tapi kali ini klik dua kali virginica dalam Pilih Nilai untuk kotak dialog Group. Data File dialog

Kotak akan berakhir tampak seperti ini:

Sejauh ini, analisis telah dibentuk persis seperti analisis tiga kelompok biasa di mana spesies setiap bunga diketahui. Langkah selanjutnya adalah unik untuk model campuran.

E Pilih Menetapkan kasus kelompok (tanda centang akan muncul di samping itu). Tanda centang memberitahu

Amos untuk menyerahkan kasus ke grup setiap kali dataset tidak menentukan kelompok kasus yang dimiliki.

530 Contoh 34

E Klik OK untuk menutup kotak dialog File Data.

Menentukan Model

Kami akan menggunakan model jenuh untuk variabel PetalLength dan PetalWidth. The sebar yang ditampilkan sebelumnya menunjukkan bahwa kedua variabel akan memungkinkan program untuk melakukan pekerjaan yang baik untuk mengklasifikasi bunga menurut spesies. Perhatikan bahwa Anda tidak terbatas pada model jenuh ketika melakukan pemodelan campuran.

Anda dapat menggunakan model analisis faktor atau model regresi atau jenis lain dari model. Lihat Contoh 36 untuk demonstrasi campuran pemodelan dengan model regresi.

E Gambarkan diagram jalur berikut. (Path Diagram ini disimpan sebagai EX34-a.amw.)

531 Campuran Modeling dengan Data Pelatihan

E Dari menu, pilih View → Analisis Properties. E Pilih Perkirakan sarana dan penyadapan (tanda centang akan muncul di samping itu).

532 Contoh 34

Pemasangan Model

E Klik

pada toolbar.

atau

E Dari menu, pilih Analyze → Estimasi Bayesian.

Tombol dinonaktifkan karena, dalam pemodelan campuran, Anda hanya dapat melakukan estimasi Bayesian.

Catatan:

533 Campuran Modeling dengan Data Pelatihan

Setelah jendela SEM Bayesian terbuka, tunggu sampai perubahan wajah bahagia menjadi wajah gembira. Tabel estimasi di jendela SEM Bayesian harus terlihat seperti ini:

Bayesian jendela SEM menampilkan semua parameter memperkirakan bahwa Anda akan mendapatkan dalam analisis tiga kelompok biasa. Tabel menampilkan hasil untuk satu kelompok pada suatu waktu. Anda dapat beralih dari satu kelompok ke kelompok lain dengan mengklik tab di bagian atas tabel. Dalam contoh ini, parameter model hanya mencakup cara, varians, dan covariances. Dalam model yang lebih rumit, ada juga akan perkiraan bobot regresi dan penyadapan. Dalam analisis pemodelan campuran, Anda juga mendapatkan perkiraan proporsi penduduk yang terletak pada masing-masing kelompok. Pendahulunya Angka menunjukkan bahwa proporsi

534 Contoh 34

bunga setosa dalam populasi diperkirakan 0,333. (Ini harus menunjukkan bahwa itu adalah design bahwa sampel mengandung jumlah yang sama setosa, versicolor, dan bunga virginica. Oleh karena itu tidak berarti dalam contoh ini untuk menarik kesimpulan tentang proporsi populasi dari sampel. Namun demikian, kami akan memperlakukan spesies sini sebagai variabel acak untuk menunjukkan bagaimana kesimpulan tersebut dapat dibuat.) Untuk melihat distribusi posterior dari proporsi populasi, klik kanan baris yang berisi proporsi dan pilih Tampilkan Posterior dari menu popup.

535 Campuran Modeling dengan Data Pelatihan

The posterior Jendela menunjukkan bahwa proporsi bunga yang berasal dari spesies setosa hampir pasti antara 0,25 dan 0,45. Sepertinya ada sekitar kesempatan 50-50 bahwa proporsi adalah suatu tempat antara 0,3 dan 0,35.

Klasifikasi Kasus Individu

Untuk mendapatkan probabilitas keanggotaan kelompok untuk masing-masing individu bunga:

E Klik tombol prediktif Posterior

.

E Dari menu, pilih View → Posterior prediktif.

536 Contoh 34

Untuk setiap bunga, Posterior prediktif jendela Distribusi menunjukkan kemungkinan bahwa bunga itu adalah setosa, versicolor, atau virginica. Untuk pertama 50 bunga (orang-orang yang sebenarnya setosa), kemungkinan keanggotaan dalam kelompok setosa hampir 1. Kami berharap hasil bahwa karena bunga setosa jelas dipisahkan dari bunga spesies lain di sebar ditampilkan sebelumnya. Sebagian besar bunga versicolor (dimulai dengan perkara nomor 51) juga diklasifikasikan dengan benar. Misalnya, bunga nomor 51 memiliki posterior probabilitas 0,95 menjadi versicolor. Namun, kesalahan klasifikasi memang terjadi. Kasus nomor 71, misalnya, kesalahan klasifikasi. Ini adalah bunga versicolor, tetapi diperkirakan memiliki probabilitas menjadi virginica 0,74.

537 Campuran Modeling dengan Data Pelatihan

Analisis Struktur Laten

Seperti telah disebutkan sebelumnya bahwa Anda tidak terbatas pada model jenuh ketika melakukan pemodelan campuran. Anda dapat menggunakan model analisis faktor, model regresi, atau model sama sekali. Anda mungkin ingin menjadi akrab dengan variasi penting dari model jenuh.

Analisis struktur laten (Lazarsfeld dan Henry, 1968) adalah variasi dari model campuran di mana variabel yang diukur dituntut untuk independen dalam setiap kelompok. Ketika variabel yang diukur adalah normal multivariat, mereka diwajibkan untuk tidak berkorelasi.

E Untuk mengharuskan variabel yang diukur tidak berkorelasi, menghapus panah berkepala dua

di jalur diagram dari model jenuh. (Path Diagram ini disimpan sebagai Ex34b.amw.)

E Klik tombol Bayesian

untuk melakukan analisis struktur laten. Hasil analisis struktur laten tidak akan disajikan di sini.

35

Campuran Modeling tanpa data Pelatihan

Ketika Amos melakukan pemodelan campuran, memungkinkan Anda untuk menetapkan beberapa kasus kelompok sebelum analisis dimulai. Contoh 34 menunjukkan bagaimana untuk melakukan itu. Dalam contoh ini, semua kasus yang unclassified pada awal analisis pemodelan campuran.

Contoh ini menggunakan Anderson (1935) Data iris yang digunakan dalam Contoh 34. Kali ini, namun, kami tidak akan menggunakan dataset iris3.sav, yang berisi informasi jenis untuk 30 dari 150 bunga. Sebaliknya, kita akan menggunakan dataset iris2.sav, yang tidak mengandung informasi spesies sama sekali. Itulah perbedaan antara Contoh 34 dan contoh ini: Pada Contoh 34, beberapa kasus pra-rahasia; dalam contoh ini, tidak ada kasus dimana pra-rahasia. Gambar berikut menunjukkan sebagian dari dataset iris2.sav.

539

540 Contoh 35

Perhatikan bahwa dataset berisi kolom Spesies, meskipun kolom yang kosong. Adalah penting bahwa kolom Spesies hadir bahkan jika tidak mengandung nilai-nilai. Hal ini karena Amos memungkinkan untuk kemungkinan bahwa Anda mungkin sudah tahu jenis beberapa kasus (seperti pada Contoh 34). Variabel yang digunakan untuk mengklasifikasikan kasus tidak benar-benar harus bernama Spesies. Setiap nama variabel yang akan dilakukan. Variabel, bagaimanapun, harus string (non-numerik) variabel.

E Dari menu, pilih Analyze → Manage Groups.

541 Campuran Modeling tanpa data Pelatihan

E Klik New untuk membuat kelompok kedua.

E Klik Baru sekali lagi untuk membuat grup ketiga.

Contoh ini cocok model campuran tiga kelompok. Bila Anda tidak yakin berapa banyak kelompok yang ada, Anda dapat menjalankan program beberapa kali. Jalankan program sekali untuk cocok dengan model dua kelompok, kemudian lagi agar sesuai dengan model tiga kelompok, dan sebagainya.

542 Contoh 35

E Klik Grup nomor 1 untuk memilih baris pertama. E Klik Nama File, pilih file iris2.sav yang ada di direktori Contoh Amos, dan klik Open. Ini memberitahu program bahwa variabel Spesies akan digunakan untuk membedakan satu kelompok dari kelompok lainnya.

543 Campuran Modeling tanpa data Pelatihan

E Ulangi langkah-langkah sebelumnya untuk Grup nomor 2, menentukan file data yang sama (iris2.sav) dan pengelompokan variabel yang sama (Spesies). E Ulangi langkah-langkah sebelumnya sekali lagi untuk Grup nomor 3, menentukan file data yang sama (iris2.sav) dan pengelompokan variabel yang sama (Spesies).

544 Contoh 35

E Pilih Menetapkan kasus kelompok (tanda centang akan muncul di samping itu).

Sejauh ini, ini sudah sama seperti beberapa analisis-kelompok biasa kecuali untuk tanda centang di sebelah Menetapkan kasus kelompok. Itu tanda cek ternyata ini menjadi sebuah analisis pemodelan campuran. Tanda centang memberitahu Amos untuk menetapkan bunga ke grup jika variabel pengelompokan dalam file data tidak sudah menetapkan ke grup. Perhatikan bahwa

545 Campuran Modeling tanpa data Pelatihan

tidak perlu klik Nilai Group untuk menentukan nilai variabel pengelompokan. Data file tidak mengandung nilai untuk variabel pengelompokan (Spesies), sehingga program otomatis dibangun nilai Species berikut untuk tiga kelompok: cluster1, Cluster2, dan Cluster3.

The sebar pada Contoh 34 menunjukkan bahwa kedua variabel akan memungkinkan program untuk melakukan pekerjaan yang baik untuk mengklasifikasi bunga menurut spesies. Anda dapat menggunakan model analisis faktor, model regresi, atau jenis lain dari model. Contoh 36 menunjukkan campuran pemodelan dengan model regresi.

E Gambarkan diagram jalur berikut:

546 Contoh 35

Membatasi Parameter

Dalam contoh ini, varians dan covariances akan diminta untuk menjadi invarian seluruh kelompok. Ini adalah asumsi homogenitas variansi dan kovariansi yang sering dibuat dalam analisis diskriminan dan beberapa jenis clustering. Pada prinsipnya, asumsi homogenitas variansi dan kovariansi tidak diperlukan dalam pemodelan campuran. Alasan kita akan membuat asumsi di sini adalah bahwa, untuk contoh ini, algoritma dalam Amos gagal tanpa asumsi tersebut. (Perlu dicatat bahwa sebar pada Contoh 34 menunjukkan bahwa asumsi ini dilanggar.)

547 Campuran Modeling tanpa data Pelatihan

E Klik kanan PetalLength dalam diagram jalur, pilih Object Properties dari pop-up

menu, dan masukkan nama parameter, v1, dalam kotak teks Variance.

Sementara Properties Object dialog masih terbuka, klik PetalWidth dalam diagram jalur.

E Sedangkan kotak dialog Properties Object masih terbuka, klik PetalWidth di jalan

diagram.

E Pada kotak dialog Obyek Properties, masukkan nama parameter, v2, dalam teks Variance

kotak.

E Sedangkan kotak dialog Properties Object masih terbuka, klik panah berkepala dua yang

merupakan kovarians antara PetalLength dan PetalWidth.

548 Contoh 35

E Pada kotak dialog Obyek Properties, masukkan nama parameter, c12, di Kovarian ini

kotak teks.

Jalur diagram sekarang harus terlihat seperti gambar berikut. (Path Diagram ini disimpan sebagai EX35-a.amw.)

549 Campuran Modeling tanpa data Pelatihan

Tabel estimasi di jendela SEM Bayesian maka harus terlihat seperti ini:

Tabel menampilkan perkiraan untuk satu kelompok pada suatu waktu. Dalam model yang lebih rumit, ada juga akan perkiraan bobot regresi dan penyadapan.

550 Contoh 35

Pada gambar sebelumnya, proporsi bunga setosa dalam populasi diperkirakan 0.306.

E Untuk melihat distribusi posterior dari proporsi populasi, klik kanan baris yang berisi proporsi dan pilih Tampilkan posterior dari menu popup.

Grafik distribusi posterior di jendela posterior menunjukkan bahwa proporsi bunga yang termasuk dalam kelompok nomor 1 tentu antara 0,15 dan 0,45. Ada kemungkinan sangat tinggi bahwa proporsi antara 0,25 dan 0,35.

551 Campuran Modeling tanpa data Pelatihan

Untuk setiap bunga, Posterior prediktif jendela Distribusi menunjukkan probabilitas bahwa nilai variabel Spesies adalah cluster1, Cluster2, atau Cluster3.

552 Contoh 35

Pertama 50 kasus, yang kita tahu untuk menjadi contoh setosa, ditempatkan di Grup nomor 3 dengan probabilitas 1, jadi nomor 3 Group jelas mengandung bunga setosa. Kasus 51 melalui 100 jatuh terutama ke grup nomor 2, sehingga jumlah Kelompok 2 jelas mengandung bunga versicolor. Demikian pula, meskipun angka sebelumnya tidak menunjukkan itu, kasus 101 melalui 150 ditugaskan terutama untuk kelompok nomor 1, sehingga Kelompok nomor 1 jelas mengandung bunga virginica.

553 Campuran Modeling tanpa data Pelatihan

Ada variasi model campuran disebut analisis struktur laten di mana variabel yang diamati dituntut untuk independen dalam setiap kelompok.

E Untuk mengharuskan PetalLength dan PetalWidth akan berkorelasi dan karena itu (karena

mereka multivariat terdistribusi normal) independen, menghapus panah berkepala dua yang menghubungkan mereka dalam diagram jalur. Yang dihasilkan diagram jalur yang ditampilkan di sini. (Path Diagram ini disimpan sebagai file, EX35-b.amw.)

E Opsional, menghapus kendala pada varians dengan menghapus nama parameter,

v1 dan v2. (Yang dihasilkan diagram jalur disimpan sebagai EX35-c.amw.)

E Setelah menghapus panah berkepala dua dan mungkin menghilangkan kendala pada varians, klik tombol Bayesian untuk melakukan analisis struktur laten. Itu

hasil analisis struktur laten tidak akan dilaporkan di sini.

554 Contoh 35

Label Switching

Jika Anda mencoba untuk meniru analisis dalam contoh ini, adalah mungkin bahwa Anda akan mendapatkan hasil yang dilaporkan di sini tetapi dengan nama grup permutasi. Hasil yang dilaporkan di sini untuk nomor Grup 1 mungkin sesuai dengan hasil yang Anda dapatkan untuk nomor Grup 2 atau nomor 3 Group. Ini kadang-kadang disebut label switching (Chung, Loken, dan Schafer, 2004). Label switching tidak benar-benar masalah kecuali terjadi selama analisis tunggal. Sayangnya, label switching dapat sebenarnya terjadi di tengah analisis. Ketika label switching terjadi, biasanya diungkapkan oleh plot jejak untuk setiap parameter. Untuk menampilkan jejak komplotan selama estimasi Bayesian:

E Klik kanan parameter di Bayesian SEM jendela dan pilih Tampilkan posterior dari

menu popup.

E Pada jendela posterior, pilih Melacak.

Label switching tidak terjadi dalam analisis contoh ini. Gambar berikut, dari analisis yang lain, menunjukkan jejak plot yang khas dari label switching. Jejak plot berasal dari analisis data dengan dua kelompok kasus. Dalam satu cluster, rata-rata dari variabel yang disebut X adalah sekitar 4. Dalam cluster lain, rata-rata dari variabel X adalah sekitar 17. Jejak Plot menunjukkan bahwa, dalam kelompok yang disebut Kelompok nomor 1, nilai-nilai sampel dari mean X tinggal dekat dengan 4 sebagian besar waktu sampai sekitar iterasi 5.000 th algoritma MCMC. Pada sekitar iterasi 5.000-th, nilai-nilai sampel mulai berfluktuasi sekitar 17. Ini pergeseran mendadak dalam jejak plot bukti bahwa label (group nomor 1 dan nomor 2 Kelompok) dialihkan pada sekitar iterasi 5.000 th. Jejak Plot menunjukkan bahwa label switching ini terjadi beberapa kali selama pertama 20.000 iterasi dari algoritma MCMC.

555 Campuran Modeling tanpa data Pelatihan

Label switching dapat terungkap oleh distribusi posterior multi-model untuk satu atau lebih parameter. Pendahulunya jejak petak sesuai dengan perkiraan distribusi posterior berikut.

Pendahulunya Grafik menunjukkan bahwa rata-rata distribusi posterior parameter mungkin tidak menjadi perkiraan bermakna dalam analisis pemodelan campuran ketika label switching terjadi. Beberapa metode untuk mencegah label switching telah diusulkan (Celeux, Hurn, dan Robert, 2000; Fruhwirth-Schnatter, 2004; Jasra, Holmes, dan Stephens, 2005; Stephens, 2000). Chung, Loken, dan Schafer (2004) menunjukkan bahwa pra-menugaskan bahkan satu atau dua kasus untuk kelompok dapat efektif dalam menghilangkan label switching. Amos memungkinkan kasus pra-menugaskan kelompok, seperti yang ditunjukkan pada Contoh 34. Amos 20 tidak menerapkan metode lain untuk mencegah label switching.

36

Campuran Regresi Modeling

Pemodelan regresi Campuran (Ding, 2006) adalah tepat ketika Anda memiliki model regresi yang tidak benar untuk seluruh penduduk, tetapi di mana populasi dapat dibagi menjadi subkelompok sedemikian rupa bahwa model regresi benar dalam setiap subkelompok.

Dua dataset buatan akan digunakan untuk menjelaskan campuran regresi.

Dataset Pertama

Dataset berikut ini di DosageAndPerformance1.sav berkas. Dosis adalah intensitas beberapa pengobatan. Kinerja hanya beberapa ukuran kinerja. Group adalah string (non-numerik) variabel yang berperan dalam analisis regresi campuran akan dijelaskan nanti.

557

558 Contoh 36

Sebuah sebar dosis dan kinerja menunjukkan dua kelompok yang berbeda dari orang-orang dalam sampel. Dalam satu kelompok, meningkatkan kinerja sebagai dosis naik. Pada kelompok lain, kinerja memburuk sebagai dosis naik.

$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $

20.00

prestasi

10.00

0.00

-2.00

2.00

4.00

6.00

dosis

559 Campuran Regresi Modeling

Ini akan menjadi suatu kesalahan untuk mencoba agar sesuai dengan garis regresi tunggal untuk seluruh sampel. Di sisi lain, dua garis lurus, satu untuk masing-masing kelompok, akan sesuai dengan data dengan baik. Ini adalah pekerjaan untuk pemodelan regresi campuran. Sebuah analisis regresi campuran akan berusaha untuk membagi sampel ke dalam kelompok dan agar sesuai dengan garis regresi yang terpisah untuk masing-masing kelompok.

Dataset kedua

Dataset berikut, dalam DosageAndPerformance2.sav berkas, juga berisi data tentang variabel dosis, kinerja, dan kelompok.

Sekali lagi, sebuah scatterplot dari data menunjukkan bukti dua kelompok, dengan masing-masing kelompok yang membutuhkan garis regresi sendiri. Dalam kedua kelompok dengan sendirinya, peningkatan satu unit dosis dikaitkan dengan peningkatan sekitar dua unit dalam kinerja, sehingga kemiringan garis regresi adalah sekitar 2 masing-masing kelompok. Di sisi lain, kedua kelompok memiliki penyadapan yang berbeda. Pada setiap tingkat dosis tertentu, kinerja adalah 5 poin atau lebih tinggi dalam satu kelompok dibandingkan yang lain. Sebuah analisis regresi campuran dataset ini akan berusaha untuk membagi sampel ke dalam kelompok dan agar sesuai dengan garis regresi yang terpisah untuk masing-masing kelompok.

560 Contoh 36

$ $ $ $ $ $ $ $ $ $ $

25.00

15.00

5.00

Kelompok Variabel dalam Dataset

Kedua dataset hanya dijelaskan meliputi string (non-numerik) variabel yang disebut kelompok yang tidak berisi data. Dalam analisis regresi campuran, Amos akan menggunakan variabel kelompok untuk mengklasifikasikan kasus-kasus individu. (Fakta bahwa variabel disebut kelompok tidak penting Setiap nama variabel akan dilakukan,.. Namun, itu tidak harus menjadi variabel string) Jika beberapa kasus telah ditugaskan untuk kelompok sebelum analisis dimulai, Anda dapat menempatkan kelompok nama dalam kelompok kolom dataset.

Misalnya, jika Anda tahu di depan waktu (sebelum analisis regresi campuran dimulai) bahwa sampel mengandung berkinerja tinggi dan berkinerja rendah dan Anda tahu bahwa dua orang pertama dalam sampel yang berkinerja tinggi dan bahwa tiga orang berikutnya yang berkinerja rendah, maka Anda dapat memasukkan informasi pada kelompok kolom tabel data dengan cara sebagai berikut:

561 Campuran Regresi Modeling

Program ini kemudian akan menggunakan lima kasus yang telah pra-diklasifikasikan untuk membantu dalam mengklasifikasikan kasus-kasus yang tersisa. Pra-menugaskan kasus-kasus individu yang dipilih kelompok yang disebutkan di sini hanya sebagai suatu kemungkinan. Dalam contoh ini, tidak ada kasus akan preassigned kelompok.

Melakukan Analisis

Hanya dataset DosageAndPerformance2.sav akan dianalisis dalam contoh ini.

E Dari menu, pilih File → New untuk memulai diagram jalur baru. E Dari menu, pilih Analyze → Manage Groups.

562 Contoh 36

E Klik New untuk membuat kelompok kedua.

E Klik Tutup.

Contoh ini cocok dengan model regresi campuran dua kelompok. Bila Anda tidak yakin berapa banyak kelompok yang ada, Anda dapat menjalankan program beberapa kali. Jalankan program sekali untuk cocok dengan model dua kelompok, kemudian lagi agar sesuai dengan model tiga kelompok, dan sebagainya.

563 Campuran Regresi Modeling

Menentukan Data File

E Dari menu, pilih File → Data File.

E Klik Kelompok nomor 1 untuk memilih baris itu. E Klik Nama File, pilih file DosageAndPerformance2.sav yang ada di direktori Contoh Amos, dan klik Open. E Klik Pengelompokan Variabel dan double-klik kelompok dalam Pilih Variable Pengelompokan

kotak dialog. Ini memberitahu program bahwa variabel disebut kelompok akan digunakan untuk membedakan satu kelompok dari kelompok lainnya.

564 Contoh 36

E Ulangi langkah-langkah sebelumnya untuk Grup nomor 2, menentukan file data yang sama (DosageAndPerformance2.sav) dan pengelompokan variabel yang sama (kelompok).

565 Campuran Regresi Modeling

E Pilih Menetapkan kasus kelompok (tanda centang akan muncul di samping itu).

Sejauh ini, ini sudah sama seperti beberapa analisis-kelompok biasa kecuali untuk tanda centang di sebelah Menetapkan kasus kelompok. Itu tanda centang berubah ini ke campuran

566 Contoh 36

pemodelan analisis. Tanda centang memberitahu Amos untuk menetapkan sebuah kasus ke grup jika variabel pengelompokan dalam file data tidak sudah menetapkan ke grup. Perhatikan bahwa itu tidak perlu untuk mengklik Nilai Group untuk menentukan nilai variabel pengelompokan. File data tidak mengandung nilai untuk variabel pengelompokan (group), sehingga program otomatis dibangun nilai untuk variabel kelompok: cluster1 untuk kasus-kasus di Grup nomor 1, dan Cluster2 untuk kasus-kasus di Grup nomor 2.

E Klik OK untuk menutup kotak dialog File Data.

Menentukan Model

E Gambarkan diagram jalur untuk model regresi, sebagai berikut. (Path Diagram ini disimpan

sebagai EX36-a.amw.)

E Dari menu, pilih View → Analisis Properties. E Pilih Perkirakan sarana dan penyadapan (tanda centang akan muncul di samping itu).

567 Campuran Regresi Modeling

Pemasangan Model

E Klik

pada toolbar.

atau

E Dari menu, pilih Analyze → Estimasi Bayesian.

Catatan:

Tombol dinonaktifkan karena, dalam pemodelan campuran, Anda hanya dapat melakukan estimasi Bayesian.

568 Contoh 36

Setelah jendela SEM Bayesian terbuka, tunggu sampai perubahan wajah bahagia menjadi wajah gembira. Tabel estimasi di jendela SEM Bayesian maka harus terlihat seperti ini:

Bayesian jendela SEM berisi semua parameter memperkirakan bahwa Anda akan mendapatkan dalam analisis regresi berganda-kelompok biasa. Ada tabel terpisah estimasi untuk setiap kelompok. Anda dapat beralih dari satu kelompok ke kelompok dengan mengklik tab di atas tabel perkiraan.

569 Campuran Regresi Modeling

Baris bawah tabel berisi perkiraan proporsi penduduk yang terletak pada kelompok individu. Pendahulunya Angka, yang menampilkan perkiraan untuk Kelompok nomor 1, menunjukkan bahwa proporsi penduduk di Grup nomor 1 diperkirakan 0.247. Untuk melihat distribusi posterior estimasi proporsi populasi, klik kanan baris proporsi dalam tabel dan pilih Tampilkan posterior dari menu popup.

570 Contoh 36

Grafik di jendela posterior menunjukkan bahwa proporsi penduduk di Grup nomor 1 dijamin praktis berada di suatu tempat antara 0,15 dan 0,35.

Mari kita bandingkan berat regresi dan mencegat di Grup nomor 1 dengan perkiraan yang sesuai dalam Grup nomor 2. Di Grup nomor 1, perkiraan berat regresi adalah 2,082 dan estimasi intercept adalah 5,399.

Di Grup nomor 2, berat estimasi regresi (1,999) adalah sama seperti di Grup nomor 1 sedangkan perkiraan intercept (9,955) jauh lebih tinggi daripada di Grup nomor 1.

571 Campuran Regresi Modeling

572 Contoh 36

Klasifikasi Kasus Individu

Untuk mendapatkan probabilitas keanggotaan kelompok untuk setiap kasus:

E Klik tombol prediktif Posterior

.

E Dari menu, pilih View → Posterior prediktif.

Untuk setiap kasus, Posterior prediktif jendela Distribusi menunjukkan probabilitas bahwa variabel kelompok mengambil nilai cluster1 atau Cluster2. Kasus 1 diperkirakan memiliki probabilitas 0,88 berada di Grup nomor 1 dan kemungkinan berada di Grup nomor 2 0,12. Ingat bahwa kelompok pertama memiliki intercept dari sekitar 5,399 sedangkan kelompok kedua memiliki intercept dari sekitar 9,955, sehingga Grup nomor 1 adalah kelompok berkinerja rendah. Oleh karena itu, ada 88 persen kemungkinan bahwa orang pertama dalam sampel adalah pada kelompok kinerjanya rendah dan 12 persen kemungkinan bahwa orang yang ada di kelompok yang berperforma tinggi.

573 Campuran Regresi Modeling

Meningkatkan Perkiraan Parameter

Anda dapat meningkatkan estimasi parameter (dan juga meningkatkan kemampuan Amos untuk membentuk cluster) dengan mengurangi jumlah parameter yang harus diestimasi. Sebagaimana telah kita lihat, kemiringan garis regresi adalah sama untuk kedua kelompok. Juga, variabilitas tentang setiap garis regresi tampaknya hampir sama untuk kedua kelompok. Hal ini dimungkinkan untuk memasukkan ke dalam analisis pemodelan campuran hipotesis bahwa lereng dan varians kesalahan yang sama untuk kedua kelompok, sehingga mengurangi

jumlah parameter yang berbeda yang akan diestimasi. Untuk melakukan hal ini:

E Pada diagram jalur, klik kanan panah tunggal berkepala yang menghubungkan dosis dan kinerja, pilih Object Properties dari menu popup, lalu masukkan parameter

nama, b, dalam berat kotak teks Regresi.

E Sedangkan kotak dialog Properties Object masih terbuka, klik E1 dalam diagram jalur. E Pada kotak dialog Obyek Properties, masukkan nama parameter, v, dalam teks Variance

kotak.

574 Contoh 36

Jalur diagram sekarang harus terlihat seperti gambar berikut. (Path Diagram ini disimpan sebagai EX36-b.amw.)

Setelah membatasi kemiringan dan varians kesalahan harus sama untuk kedua kelompok, Anda dapat mengulangi analisis pemodelan campuran dengan mengklik tombol Bayesian. Hasil analisis yang tidak akan disajikan di sini.

575 Campuran Regresi Modeling

Distribusi Prior Proporsi Grup

Untuk distribusi prior proporsi kelompok, Amos menggunakan distribusi Dirichlet dengan parameter yang Anda dapat menentukan. Secara default, parameter Dirichlet adalah 4, 4, ....

E Untuk menentukan parameter Dirichlet, klik kanan pada perkiraan kelompok proporsi di jendela SEM Bayesian dan pilih Tampilkan Sebelum dari menu popup.

576 Contoh 36

Label Switching

Ada kemungkinan bahwa hasil yang dilaporkan di sini untuk Kelompok nomor 1 akan cocok dengan hasil yang Anda dapatkan untuk Grup nomor 2, dan bahwa hasil yang dilaporkan di sini untuk Kelompok nomor 2 akan cocok dengan yang Anda dapatkan untuk Kelompok nomor 1. Dengan kata lain, hasil Anda mungkin cocok dengan hasil yang dilaporkan di sini, tapi dengan nama grup terbalik. Ini kadang-kadang disebut label switching (Chung, Loken, dan Schafer, 2004). Label switching dibahas lebih lanjut pada akhir Contoh 35.

Contoh

37

Menggunakan Amos Graphics tanpa Menggambar Diagram Jalur

Pengantar

Orang biasanya menentukan model dalam Amos Graphics dengan menggambar diagram jalur, namun, Amos Graphics juga menyediakan metode non-grafis untuk spesifikasi model. Jika Anda tidak ingin menggambar diagram jalur, Anda dapat menentukan model dengan memasukkan teks dalam bentuk Visual Basic atau C # program. Dalam program tersebut, setiap objek dalam diagram jalur (yaitu, setiap persegi panjang, elips, panah tunggal berkepala, panah doubleheaded, dan keterangan gambar) sesuai dengan pernyataan program. Biasanya, pernyataan program satu baris teks. Berikut adalah beberapa alasan mengapa Anda mungkin memilih untuk menentukan model dengan memasukkan teks daripada dengan menggambar diagram jalur.

?? Model Anda begitu besar bahwa menggambar diagram jalur yang akan sulit. Anda lebih suka menggunakan keyboard untuk menggunakan mouse, atau lebih suka bekerja dengan teks untuk

bekerja dengan grafis.

Anda harus menghasilkan banyak model serupa yang hanya berbeda dalam beberapa detail seperti

sebagai jumlah variabel atau nama variabel. Jika Anda perlu untuk menghasilkan model seperti sering, dapat efisien untuk mengotomatisasi

tugas tersebut dengan membuat program super itu yang output teks adalah Visual Basic atau C # program tailor-made yang menentukan model tertentu yang Anda inginkan IBM SPSS Amos cocok. Contoh ini menunjukkan bagaimana untuk menentukan model dalam Amos Graphics dengan memasukkan teks daripada dengan menggambar diagram jalur.

577

578 Contoh 37

Tentang Data

The Holzinger dan Swineford (1939) dataset dari Contoh 8 digunakan untuk contoh ini.

Sebuah Faktor Model Umum

Faktor model analisis dari Contoh 8 digunakan untuk contoh ini. Sedangkan model ditentukan dalam Contoh 8 dengan menggambar diagram jalur, model yang sama akan ditentukan dalam contoh saat ini dengan menulis sebuah program Visual Basic.

Membuat Plugin untuk Tentukan Model

E Dari menu, pilih Plugins → Plugin. E Pada kotak dialog Plugins, klik Create

579 Menggunakan Amos Graphics tanpa Menggambar Diagram Jalur

Program Jendela Editor akan terbuka.

E Pada jendela Editor Program, mengubah nama dan fungsi Deskripsi sehingga mereka

kembali string yang berarti.

Anda mungkin merasa pada saat ini untuk merujuk pada diagram jalur pertama dalam Contoh 8. Kami akan menambahkan satu baris ke fungsi Mainsub untuk setiap persegi panjang, elips dan panah dalam diagram jalur.

580 Contoh 37

E Di Editor Program, masuk line pd.Observed ("visperc")

sebagai baris pertama dalam fungsi Mainsub.

Jika Anda menyimpan plugin sekarang, Anda dapat menggunakannya di kemudian hari untuk menggambar persegi panjang yang mewakili sebuah variabel yang disebut visperc. Persegi panjang akan diambil dengan tinggi sewenang-wenang dan lebar di lokasi acak dalam diagram jalur. Anda dapat menentukan tinggi, lebar dan lokasi. Sebagai contoh,

pd.Observed ("visperc", 400, 300, 200, 100)

menarik persegi panjang untuk sebuah variabel yang disebut visperc. Persegi panjang akan dipusatkan 400 piksel logis dari tepi kiri diagram jalur dan 300 piksel logis dari tepi atas. Ini akan menjadi 200 pixel lebar dan logis 100 piksel logis tinggi. (Sebuah pixel logis adalah 1/96 inci.) Bantuan online memberikan variasi lain dari metode Teramati. Dalam contoh ini, kita tidak akan menentukan tinggi, lebar atau lokasi dari setiap benda diagram jalur.

581 Menggunakan Amos Graphics tanpa Menggambar Diagram Jalur

E Masukkan baris tambahan berikut dalam fungsi Mainsub sehingga plugin akan

menarik lima persegi panjang lebih untuk lima variabel yang diamati tersisa:

pd.Observed ("kubus") pd.Observed ("lozenges") pd.Observed ("paragrap") pd.Observed ("kalimat") pd.Observed ("wordmean")

E Masukkan baris berikut sehingga plugin akan menarik delapan elips selama delapan

variabel teramati:

pd.Unobserved ("err_v") pd.Unobserved ("err_c") pd.Unobserved ("err_l") pd.Unobserved ("err_p") pd.Unobserved ("err_s") pd.Unobserved ("err_w") pd. teramati ("spasial") pd.Unobserved ("lisan")

582 Contoh 37

E Masukkan baris berikut sehingga plugin akan menarik 12 anak panah tunggal berkepala: pd.Path ("visperc", "ruang", 1) pd.Path ("kubus", "spasial") pd.Path ("lozenges "," spasial ") pd.Path (" paragrap "," lisan ", 1) pd.Path (" kalimat "," lisan ") pd.Path (" wordmean "," lisan ") pd.Path (" visperc "," err_v ", 1) pd.Path (" kubus "," err_c ", 1) pd.Path (" lozenges "," err_l ", 1) pd.Path (" paragrap "," err_p ", 1) pd.Path ("kalimat", "err_s", 1) pd.Path ("wordmean", "err_w", 1)

Perhatikan bahwa dalam beberapa baris di atas, metode jalan memiliki argumen ketiga yang diatur sama dengan 1. Ini adalah bagaimana Anda memperbaiki berat regresi untuk nilai konstan 1. Lihat bantuan online untuk variasi lain dari metode Path.

E Masukkan baris berikut sehingga plugin akan menarik panah berkepala dua: pd.Cov ("ruang", "lisan") E Masukkan baris berikut untuk memposisikan objek dalam diagram jalur sehingga untuk meningkatkan

penampilan:

pd.Reposition ()

Sebagaimana disebutkan di atas, bentuk sederhana dari metode Observasi, tidak teramati dan Caption yang digunakan dalam contoh ini tempat benda pada posisi acak dalam diagram jalur. The Reposisi Metode upaya untuk membuat diagram jalur terlihat lebih baik oleh benda menata ulang. The Reposisi metode tidak menghasilkan diagram jalur kualitas presentasi. Jauh dari itu, sebenarnya. Di sisi lain, Reposisi biasanya meningkatkan penampilan jalur diagram yang substansial. Dalam rangka untuk mendapatkan benda-benda di jalur diagram ukuran dan diposisikan persis seperti yang Anda inginkan, Anda dapat menggunakan salah satu pendekatan berikut.

583 Menggunakan Amos Graphics tanpa Menggambar Diagram Jalur

E Tentukan tinggi, lebar dan lokasi setiap kali Anda menggunakan Diamati, teramati dan

Metode Caption dari kelas pd. (Lihat bantuan online untuk diamati, metode teramati dan Caption.) Atau

E Dalam plugin anda, gunakan Reposisi metode untuk meningkatkan posisi benda. Setelah

menjalankan plugin, menggunakan alat gambar di Amos Graphics toolbox untuk interaktif memindahkan dan mengubah ukuran objek dalam diagram jalur.

Mengontrol Undo Kemampuan

E Masukkan baris berikut sebagai baris pertama dalam fungsi Mainsub: pd.UndoToHere E Masukkan baris berikut sebagai baris terakhir dalam fungsi Mainsub: pd.UndoResume

Metode UndoToHere dan metode UndoResume bekerja sama untuk memastikan bahwa efek menjalankan plugin dapat dibatalkan oleh satu klik tombol Undo.

584 Contoh 37

Fungsi Mainsub sekarang terlihat seperti ini di Editor Program:

585 Menggunakan Amos Graphics tanpa Menggambar Diagram Jalur

Ini melengkapi plugin untuk menentukan model analisis faktor dari Contoh 8. Anda dapat menemukan salinan pra-tertulis plugin dalam sebuah file bernama Ex37a-plugin.vb terletak di dalam subfolder dari folder plugin Amos. Jika Anda melakukan instalasi khas dari IBM SPSS Amos, Ex37a-plugin.vb berada di lokasi: C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Plugins \ <language>.

Kompilasi dan Tabungan Plugin

E Klik Kompilasi dalam jendela Editor Program. Setiap kesalahan kompilasi akan ditampilkan

pada Kompilasi kesalahan tab dari jendela Editor Program.

E Setelah Anda memperbaiki kesalahan kompilasi, klik Tutup pada jendela Editor Program. Anda

akan ditanya apakah Anda ingin menyimpan file:

E Klik Yes. Simpan sebagai kotak dialog akan ditampilkan. E Dalam Simpan sebagai kotak dialog, ketik nama file untuk plugin anda dan klik Save. Plugin

harus disimpan dalam folder default Save As lokasi dialog itu. Dalam instalasi Amos khas, bahwa lokasi folder C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Plugins.

586 Contoh 37

Setelah Anda menyimpan plugin anda, namanya, Contoh 37a, muncul pada daftar plugin di jendela Plugins. (Ingat bahwa Contoh 37a adalah string dikembalikan oleh plugin Nama fungsi.)

E Tutup jendela Plugins.

Menggunakan Plugin

E Dari menu, pilih File → New untuk memulai dengan diagram jalur kosong.

Jika Anda ditanya apakah Anda ingin menyimpan pekerjaan Anda, pilih salah satu Ya atau Tidak

E Dari menu, pilih Plugin → Contoh 37a. Plugin menghasilkan jalan model

diagram, yang kemudian ditampilkan di jendela diagram jalur.

Berikut ini diagram jalur yang dihasilkan selama persiapan contoh ini. (Anda akan hampir

587 Menggunakan Amos Graphics tanpa Menggambar Diagram Jalur

pasti mendapatkan diagram jalur berbeda karena nomor acak generator berperan dalam memposisikan elemen dalam diagram jalur.)

588 Contoh 37

Aspek lain Analisis dalam Tambahan Model Spesifikasi

Dalam Contoh 8, file data Grnt_fem.sav ditentukan interaktif (dengan memilih File → Data File pada menu). Anda dapat melakukan hal yang sama di sini juga. Sebagai alternatif, Anda dapat menentukan file data Grnt_fem.sav dalam plugin dengan menambahkan baris berikut ke fungsi Mainsub:

pd.SetDataFile (1, MiscAmosTypes.cDatabaseFormat.mmSPSS, _ "C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Contoh \ English \ grnt_fem.sav", "", "", "")

Demikian pula, dalam Contoh 8, perkiraan standar yang diminta secara interaktif (dengan memilih View → Properti Analisis pada menu). Sebagai alternatif untuk meminta perkiraan standar interaktif, Anda dapat meminta mereka dalam sebuah plugin dengan menambahkan baris berikut ke fungsi Mainsub:

pd.GetCheckBox ("AnalysisPropertiesForm", "StandardizedCheck"). Checked = True

Umumnya, setiap aspek analisis yang dapat ditentukan secara interaktif dapat ditentukan dalam sebuah plugin dengan menggunakan metode dan properti dari kelas pd.

Mendefinisikan Variabel Program yang Sesuai untuk Variabel Model

Ada lima metode pd yang membuat obyek dalam jalur diagram: Diamati, tidak teramati, Path, Cov dan Caption. Masing-masing metode mengembalikan referensi ke obyek yang menciptakan. Sebagai contoh, metode yang diamati menciptakan variabel yang diamati dalam diagram jalur dan juga mengembalikan referensi ke variabel yang diamati. Alih-alih menulis garis

pd.Observed ("wordmean") pd.Unobserved ("lisan")

untuk membuat variabel yang diamati disebut wordmean dan variabel teramati disebut verbal, Anda dapat menulis baris berikut (dalam Visual Basic):

Dim wordmean Sebagai PDElement = pd.Observed ("wordmean") Dim lisan Sebagai PDElement = pd.Unobserved ("lisan")

589 Menggunakan Amos Graphics tanpa Menggambar Diagram Jalur

Kemudian Anda dapat menggunakan program variabel wordmean untuk merujuk ke variabel model yang disebut wordmean, dan menggunakan variabel Program verbal untuk merujuk ke variabel model yang disebut verbal. Jika Anda ingin menggambar panah tunggal berkepala dari variabel verbal ke variabel wordmean, Anda dapat menulis baik

pd.Path (wordmean, verbal)

pd.Path ("wordmean", "lisan")

Keuntungan dari versi kuotasi dari versi dikutip adalah bahwa, dengan versi kuotasi, kesalahan pengetikan kemungkinan akan terdeteksi ketika Anda mengkompilasi plugin (dengan mengklik Kompilasi dalam jendela Editor Program). Dengan versi dikutip, kesalahan pengetikan tidak dapat dideteksi sampai Anda menggunakan plugin, jika mereka terdeteksi sama sekali. File Ex37b-plugin.vb berisi plugin yang memiliki fungsi yang sama dengan Ex37aplugin.vb. Perbedaannya adalah bahwa Ex37b-plugin.vb menggunakan variabel Visual Basic untuk merujuk ke variabel model. Jika Anda melakukan instalasi khas dari Amos, Ex37b-plugin.vb berada di lokasi ini: C: \ Program Files \ IBM \ SPSS \ Amos \ 20 \ Plugins.

Lampiran

A

Catatan

q = jumlah parameter γ = vektor parameter (order q) G = jumlah kelompok

N

(G)

= Jumlah pengamatan pada kelompok g

N =

g = 1

ΣN

G

= Jumlah pengamatan pada semua kelompok gabungan

p p

= Jumlah variabel yang diamati dalam kelompok g = jumlah momen sampel dalam kelompok g. Ketika sarana dan penyadapan merupakan parameter model yang eksplisit, momen sampel yang relevan adalah sarana, (g) (g) (g) varians, dan covariances, sehingga p * = p (p + 3) / 2. Jika tidak, hanya varians sampel dan covariances dihitung sehingga (g) (g) (g) p * = p (p + 1) / 2.

* (G)

p =

Σp

= Jumlah momen sampel pada semua kelompok gabungan

d = p - q = jumlah derajat kebebasan untuk pengujian model x ir S

= Pengamatan r-th pada variabel ke-i dalam kelompok g = pengamatan r-th dalam kelompok g = sampel matriks kovarians untuk kelompok g

(G) xr (g)

591

592 Apendiks A

Σ (γ) = matriks kovarians untuk kelompok g, menurut model μ (γ) = vektor rata-rata untuk kelompok g, menurut model Σ0

(G) (g)

= Matriks kovariansi populasi untuk kelompok g = mean populasi vektor untuk kelompok g

μ0

s

= Vec (S) = p * vektor

unsur yang berbeda dari S

diatur dalam satu kolom

σ (γ) = vec (Σ (g) (γ)) r = integer non-negatif ditentukan oleh metode ChiCorrect. Secara default r = G. Ketika metode Emulisrel6 digunakan, r = G dan tidak dapat diubah dengan menggunakan ChiCorrect. n = N-r

a = vektor order p berisi sampel saat untuk semua kelompok; yaitu, sebuah (1) (G) mengandung unsur-unsur S, ..., S dan juga (jika sarana dan penyadapan adalah (1) (G) Model eksplisit parameter) x, ..., x.

␣ 0 = vektor order p mengandung momen populasi untuk semua kelompok, yaitu, (1) (G) ␣ 0 mengandung unsur-unsur Σ 0, ..., Σ 0 dan juga (jika sarana dan penyadapan (1) (G ) adalah model parameter eksplisit) μ 0, ..., μ 0. Urutan unsur-unsur ␣ (γ) harus sesuai dengan Urutan unsur-unsur. ␣ (γ) = vektor order p mengandung momen populasi untuk semua kelompok menurut model, yaitu, ␣ (γ) mengandung unsur-unsur (1) (G) Σ (γ), ..., Σ (γ) dan juga (jika sarana dan penyadapan adalah model yang eksplisit (1) (G) parameter) μ (γ), ..., μ (γ). Urutan unsur-unsur ␣ (γ) harus sesuai dengan Urutan unsur-unsur.

F (␣ (γ), a) = fungsi (dari ) yang diminimalkan dalam menyesuaikan model untuk sampel = ␥nilai yang meminimalkan F (␥ ␣ (γ), a) γ (g) (g ) Σ = Σ (γ) (g) (g)) = μ (γ μ

) = ␣ (γ ␣

B

Fungsi Kesenjangan

Amos meminimalkan fungsi selisih (Browne, 1982, 1984) dalam bentuk:

(D1)

⎛ G (g) ⎜ Σ N f μ (g), Σ (g); x (g), S (g) = 1 C (α, a) = [N - r] ⎜ ⎜ N ⎜ ⎜ ⎝

(

) ⎞ ⎟

⎟ = [N - r] F (α, a) ⎟ ⎟ ⎟ ⎠

Fungsi perbedaan yang berbeda diperoleh dengan mengubah cara f didefinisikan. Jika sarana dan penyadapan yang tidak dibatasi dan tidak muncul sebagai model eksplisit (g) (g) (g) (g) parameter, x dan μ akan dihilangkan dan f akan ditulis f (Σ, S). Fungsi perbedaan C dan F KL KL diperoleh dengan mengambil f menjadi:

-1 -1 'F KL μ (g), Σ (g); x (g), S (g) = log Σ (g) + tr S (g) Σ (g) + x (g) - μ ( g) Σ (g) x (g) - μ (g)

)

) (

Kecuali untuk sebuah konstanta aditif yang hanya bergantung pada ukuran sampel, f KL adalah -2 kali jumlah informasi Kullback-Leibler (Kullback dan Leibler, 1951). Tegasnya, C dan F KL KL tidak memenuhi syarat sebagai fungsi perbedaan sesuai dengan definisi Browne karena F KL (a, a) ≠ 0. Untuk estimasi maksimum likelihood (ML), C ML, dan F ML diperoleh dengan mengambil f menjadi:

593

594 Lampiran B

(D2)

f ML μ (g), Σ (g); x (g), S (g) = f KL μ (g), Σ (g); x (g), S (g) - f KL x (g) , S (g); x (g), S (g) -1 -1 '= log Σ (g) + tr S (g) Σ (g) - log S (g) - p (g) + x ( g) - μ (g) Σ (g) x (g) - μ (g).

()

Untuk umum estimasi kuadrat terkecil (GLS), C GLS, dan GLS F diperoleh dengan mengambil f menjadi:

(D3)

(G) f GLS Σ (g); S (g) = 1 S (g) - Σ (g) 2 tr S

-1

[

)]

2

Untuk distribusi asimtotik bebas estimasi (ADF), C ADF, dan F ADF diperoleh dengan mengambil f menjadi:

(D4)

G -1 'f ADF Σ (g); S (g) = Σ s (g)-σ (g) (γ) U (g) s (g)-σ (g) (γ)

) [

g = 1 (g)

]

di mana unsur-unsur U

diberikan oleh Browne (1984, Persamaan 3,1-3,4):

Ng

x

(G) i

1 = Ng

Σx

r = 1

(G) ir

w

(G) ij

Σ (x

- Xi (g) x (thn) - x (j g)

(G) wij, kl =

1 Ng

(G) (g) - xi (g) x (thn) - x (jg) XKR - xk (g) XLR - xl (g)

595 Fungsi Kesenjangan

[U ()]

ij, kl

(G) (g) (g) = wij, kl - wij WKL

Untuk skala bebas paling estimasi kuadrat (SLS), C SLS, dan SLS F diperoleh dengan mengambil f menjadi:

(D5)

(G) f SLS Σ (g); S (g) = 1 S (g) - Σ (g) 2 tr D

di mana D

= Diag (S).

Untuk estimasi kuadrat terkecil tertimbang (ULS), C ULS, dan F ULS diperoleh dengan mengambil f menjadi:

(D6)

(G) Fuls Σ (g); S (g) = 1 - Σ (g) 2 tr S

The Emulisrel6 metode dalam Amos dapat digunakan untuk menggantikan (D1) dengan:

(D1a)

C = Σ N (g) -1 F (g)

F kemudian dihitung sebagai F = C / (N - G). Ketika G = 1 dan r = 1, (D1) dan (D1a) ekuivalen, memberikan:

C = N (1) - 1 F (1) = (N - 1) F

Untuk kemungkinan maksimum, asimtotik distribusi bebas, dan umum estimasi kuadrat terkecil, keduanya (D1) dan (D1a) memiliki distribusi chi-kuadrat untuk model dengan benar ditentukan berdasarkan asumsi distribusi yang tepat. Asimtotik, (D1) dan (D1a) ekuivalen, namun kedua formula dapat menunjukkan beberapa inkonsistensi dalam sampel terbatas.

596 Lampiran B

Misalkan Anda memiliki dua sampel independen dan model untuk masing-masing. Selanjutnya, anggaplah bahwa Anda menganalisis dua sampel secara bersamaan, tetapi, dalam melakukannya, Anda memaksakan ada kendala yang memerlukan parameter apapun dalam satu model menyamai setiap parameter dalam model lainnya. Kemudian, jika Anda meminimalkan (D1a), parameter memperkirakan diperoleh dari analisis secara simultan dari kedua kelompok akan sama seperti dari analisis terpisah masing-masing kelompok saja. Selain itu, fungsi selisih (D1a) diperoleh dari analisis simultan akan menjadi jumlah fungsi

perbedaan dari dua analisis terpisah. Formula (D1) tidak memiliki properti ini ketika r adalah nol. Menggunakan rumus (D1) untuk melakukan analisis secara simultan dari dua kelompok akan memberikan parameter yang sama memperkirakan sebagai dua analisis terpisah, tetapi fungsi perbedaan dari analisis simultan tidak akan jumlah dari fungsi perbedaan individu. Di sisi lain, misalkan Anda memiliki sampel tunggal yang Anda telah dipasang beberapa model menggunakan Amos. Sekarang anggaplah bahwa Anda sewenang-wenang membagi sampel menjadi dua kelompok ukuran yang tidak sama dan melakukan analisis secara simultan dari kedua kelompok, menggunakan model asli untuk kedua kelompok dan menghambat setiap parameter dalam kelompok pertama untuk menjadi sama dengan parameter yang sesuai dalam kelompok kedua. Jika Anda telah diminimalkan (D1) di kedua analisis, Anda akan mendapatkan hasil yang sama di kedua. Namun, jika Anda menggunakan (D1a) di kedua analisis, dua analisis akan menghasilkan perkiraan yang berbeda dan nilai minimum yang berbeda untuk F. Semua inkonsistensi hanya menunjukkan dapat dihindari dengan menggunakan (D1) dengan pilihan r = 0, sehingga bahwa (D1) menjadi:

C = Σ N (g) F (g) = N F

C

Ukuran Fit

Evaluasi Model adalah salah satu masalah yang paling gelisah dan sulit terhubung dengan pemodelan struktural. Bollen dan Long (1993), MacCallum (1990), Mulaik, et al. (1989), dan Steiger (1990) menyajikan berbagai sudut pandang dan rekomendasi pada topik ini. Puluhan statistik, selain nilai fungsi perbedaan minimal nya, telah diusulkan sebagai ukuran kebaikan model. Amos menghitung sebagian besar dari mereka. Tindakan Fit dilaporkan untuk setiap model yang ditentukan oleh pengguna dan untuk dua model tambahan yang disebut model jenuh dan model kemerdekaan.

Dalam model jenuh, tidak ada kendala yang ditempatkan pada saat populasi. Itu

Model jenuh adalah model yang paling umum mungkin. Ini adalah model hampa dalam arti bahwa ia dijamin untuk memenuhi setiap set data sempurna. Setiap model Amos adalah versi terkendala model jenuh.

Model kemerdekaan pergi ke ekstrim yang berlawanan.

Dalam kemerdekaan

model, variabel yang diamati diasumsikan tidak berkorelasi satu sama lain. Ketika berarti sedang diperkirakan atau dibatasi, sarana semua variabel yang diamati adalah tetap pada 0. Model kemerdekaan begitu parah dan sulit dipercaya dibatasi yang Anda harapkan untuk memberikan kurang fit untuk setiap set data menarik. Ini sering terjadi bahwa masing-masing model yang telah Anda tentukan bisa begitu dibatasi untuk menjadi setara dengan model kemerdekaan. Jika hal ini terjadi, model jenuh dan model kemerdekaan dapat dilihat sebagai dua ekstrem antara yang model usulan Anda berbohong. Untuk setiap metode estimasi kecuali kemungkinan maksimum, Amos juga melaporkan tindakan cocok untuk model nol, di mana setiap parameter tetap pada 0.

597

598 Lampiran C

Tindakan parsimoni

Model dengan relatif sedikit parameter (dan relatif banyak derajat kebebasan) kadang-kadang dikatakan tinggi dalam penghematan, atau kesederhanaan. Model dengan banyak parameter (dan beberapa derajat kebebasan) dikatakan kompleks, atau kurang kekikiran. Ini penggunaan istilah kesederhanaan dan kompleksitas tidak selalu sesuai dengan penggunaan sehari-hari. Sebagai contoh, model jenuh akan disebut kompleks, sementara model dengan pola rumit dependensi linier tetapi dengan nilai parameter yang sangat dibatasi akan disebut sederhana. Sementara satu dapat menyelidiki alasan untuk lebih memilih yang sederhana, model pelit (seperti Mulaik, et al., 1989), ada tampaknya tidak akan ada perselisihan bahwa model pelit lebih baik dari pada yang kompleks. Ketika datang ke parameter, semua hal lain dianggap sama, kurang lebih. Pada saat yang sama, model yang pas lebih baik dari pada yang buruk pas. Banyak langkah-langkah fit merupakan upaya untuk menyeimbangkan bertentangan dua tujuan-kesederhanaan dan goodness of fit. Dalam analisis akhir, mungkin, dalam arti, tidak mungkin untuk menentukan satu cara terbaik untuk menggabungkan ukuran kompleksitas dan ukuran kejahatan-of-fit dalam indeks numerik tunggal, karena sifat yang tepat yang terbaik numerik trade-off antara kompleksitas dan bugar adalah, sampai batas tertentu, masalah selera pribadi. Pemilihan model merupakan masalah klasik dalam analisis dua dimensi preferensi. (Steiger, 1990, hal. 179)

NPAR

NPAR adalah jumlah parameter yang berbeda (q) yang diperkirakan. Sebagai contoh, dua bobot regresi yang diperlukan untuk menjadi sama dengan masing-masing tuduhan lainnya sebagai salah satu parameter, bukan dua.

Catatan: Gunakan \ npar makro teks untuk menampilkan jumlah parameter dalam jalur output

diagram.

DF

DF adalah jumlah derajat kebebasan untuk pengujian model

df = d = p - q

599 Ukuran Fit

dimana p adalah jumlah momen sampel dan q adalah jumlah parameter yang berbeda. Rigdon (1994a) memberikan penjelasan rinci tentang perhitungan dan interpretasi derajat kebebasan.

Catatan: Gunakan \ df makro teks untuk menampilkan derajat kebebasan dalam diagram jalur output.

PRATIO

Rasio kekikiran (James, Mulaik, dan Brett, 1982;. Mulaik, et al, 1989) mengungkapkan sejumlah kendala dalam model sedang dievaluasi sebagai sebagian kecil dari jumlah kendala dalam model kemerdekaan PRATIO = d di

di mana d adalah derajat kebebasan dari model yang dievaluasi dan di adalah derajat kebebasan dari model kemerdekaan.

Rasio kekikiran digunakan dalam perhitungan PNFI dan PCFI (lihat "kekikiran Tindakan Disesuaikan" pada hal. 612).

Catatan: Gunakan \ pratio makro teks untuk menampilkan rasio parsimoni di jalur output

diagram.

Minimum Kesenjangan Fungsi Contoh

Langkah-langkah berikut sesuai didasarkan pada nilai minimum perbedaan tersebut.

CMIN

, Dari perbedaan tersebut, C (lihat Lampiran B). CMIN adalah nilai minimum, C dari perbedaan Catatan: Gunakan \ cmin makro teks untuk menampilkan nilai minimum C

fungsi C dalam diagram jalur output.

P

P adalah probabilitas mendapatkan sebagai besar seperti yang terjadi ketidaksesuaian dengan sampel ini (di bawah asumsi distribusi yang tepat dan dengan asumsi benar

600 Lampiran C

ditentukan model). Artinya, P adalah "p value" untuk menguji hipotesis bahwa model cocok dalam populasi. Salah satu pendekatan untuk pemilihan model menggunakan pengujian hipotesis statistik untuk menghilangkan dari pertimbangan model-model yang tidak sesuai dengan data yang tersedia. Pengujian hipotesis adalah prosedur yang diterima secara luas, dan ada banyak pengalaman dalam penggunaannya. Namun, tidak sesuai sebagai alat untuk pemilihan model itu menunjukkan awal dalam pengembangan analisis struktur saat ini (Joreskog, 1969). Secara umum diakui bahwa sebagian besar model adalah perkiraan yang berguna yang tidak pas dalam populasi. Dengan kata lain, hipotesis nol cocok tidak kredibel untuk memulai dan akan, pada akhirnya, akan diterima hanya jika sampel tidak diperbolehkan untuk mendapatkan terlalu besar. Jika Anda mengalami resistensi terhadap pandangan sebelumnya dari peran pengujian hipotesis dalam model pas, kutipan berikut ini mungkin berguna. Dua yang pertama mendahului pengembangan pemodelan struktural dan merujuk ke masalah pas model yang lain. Kekuatan tes untuk mendeteksi ketidaksepakatan mendasar antara teori dan data dikendalikan sebagian besar oleh ukuran sampel.

Dengan contoh kecil sebuah hipotesis alternatif yang berangkat keras dari hipotesis nol mungkin masih memiliki probabilitas kecil menghasilkan nilai yang signifikan dari χ 2. Dalam sampel yang sangat besar, keberangkatan kecil dan tidak penting dari hipotesis nol yang hampir pasti akan terdeteksi. (Cochran, 1952) Jika sampel kecil, maka χ 2 tes akan menunjukkan bahwa data adalah 'tidak berbeda nyata dari' cukup berbagai teori yang sangat berbeda, sedangkan jika sampel adalah besar, χ 2 tes akan menunjukkan bahwa data secara signifikan berbeda dari yang diharapkan pada teori diberikan meskipun perbedaan mungkin jadi sangat kecil untuk menjadi diabaikan atau tidak penting kriteria lainnya.

(Gulliksen dan Tukey, 1958, hlm 95-96) Seperti hipotesis [dari sempurna] mungkin cukup realistis dalam pekerjaan yang paling empiris dengan data uji. Jika sampel cukup besar diperoleh ini χ 2 statistik akan, tidak diragukan lagi, menunjukkan bahwa setiap hipotesis non-sepele seperti itu secara statistik tidak dapat dipertahankan. (Joreskog, 1969, hal. 200) ... dalam sampel sangat besar hampir semua model yang satu mungkin mempertimbangkan akan harus ditolak secara statistik tidak dapat dipertahankan .... Akibatnya, nilai chi-kuadrat tidak signifikan diinginkan, dan satu upaya untuk menyimpulkan validitas hipotesis ada perbedaan antara model dan data. Logika tersebut terkenal dalam berbagai samaran statistik sebagai mencoba untuk membuktikan hipotesis nol. Prosedur ini umumnya tidak bisa dibenarkan, karena chi-square variate v dapat dibuat kecil dengan hanya mengurangi ukuran sampel. (Bentler dan Bonett, 1980, hal. 591)

601 Ukuran Fit

Pendapat kami adalah bahwa ... ini hipotesis nol [dari sempurna] adalah tidak masuk akal dan bahwa hal itu tidak banyak membantu untuk mengetahui apakah uji statistik telah mampu mendeteksi bahwa itu adalah palsu. (Browne dan Mels, 1992, hal. 78). Lihat juga "pclose" pada hal. 605.

Catatan: Gunakan \ p makro teks untuk menampilkan nilai ini p dalam diagram jalur output.

CMIN / DF

, (Lihat Lampiran B) dibagi dengan derajat yang CMIN / DF adalah perbedaan minimum, C kebebasan.

C d

Beberapa penulis telah menyarankan penggunaan rasio ini sebagai ukuran fit. Untuk setiap kriteria estimasi kecuali ULS dan SLS, rasio harus mendekati 1 untuk model yang benar. Masalahnya adalah bahwa hal itu tidak jelas seberapa jauh dari 1 Anda harus membiarkan rasio mendapatkan sebelum menyimpulkan bahwa model tidak memuaskan.

Aturan Thumb

... Wheaton et al. (1977) menunjukkan bahwa peneliti juga menghitung chisquare relatif (χ 2 / df) .... Mereka menyarankan rasio sekitar lima atau kurang 'sebagai mulai masuk akal. "Dalam pengalaman kami, bagaimanapun, χ 2 sampai derajat rasio kebebasan dalam kisaran 2 sampai 1 atau 3: 1 adalah indikasi dari sebuah diterima kesesuaian antara hipotetis model dan data sampel. (Carmines dan McIver, 1981, hal. 80) ... peneliti yang berbeda telah merekomendasikan menggunakan rasio serendah 2 atau setinggi 5 untuk menunjukkan cocok wajar. (Marsh dan Hocevar, 1985). ... Tampak jelas bahwa 2 / df rasio χ> 2.00 merupakan fit memadai. (Byrne, 1989, hal. 55).

Catatan: Gunakan \ cmindf makro teks untuk menampilkan nilai CMIN / DF di jalur output

602 Lampiran C

FMIN

, Dari perbedaan tersebut, F (lihat Lampiran B). FMIN adalah nilai minimum, F dari perbedaan Catatan: Gunakan \ fmin makro teks untuk menampilkan nilai minimum F

fungsi F dalam diagram jalur output.

Tindakan Berdasarkan Pada Kesenjangan Penduduk

Steiger dan Lind (1980) memperkenalkan penggunaan fungsi perbedaan populasi sebagai ukuran model kecukupan. Fungsi perbedaan populasi, F 0, adalah nilai fungsi perbedaan diperoleh dengan fitting model untuk saat-saat penduduk daripada momen sampel. Artinya, F 0 = min [F (α (γ), α 0)] γ berbeda dengan = min [F (α (γ), a)] F γ

= NF Steiger, Shapiro, dan Browne (1985) menunjukkan bahwa, dalam kondisi tertentu, C

memiliki distribusi chi-kuadrat dengan derajat noncentral d kebebasan dan noncentrality parameter δ = C = nF. Pendekatan Steiger-Lind model pusat evaluasi di sekitar estimasi F 0 dan jumlah yang terkait. Bagian ini Panduan Pengguna terutama bergantung pada Steiger dan Lind (1980) dan Steiger, Shapiro, dan Browne (1985). Notasi ini terutama yang dari Browne dan Mels (1992).

NCP

- D, 0) adalah perkiraan parameter noncentrality, NCP = max (C δ = C 0 = 0 nF.

Kolom berlabel LO 90 dan 90 HI berisi batas bawah (δ L) dan batas atas (δ U) dari interval kepercayaan 90%, pada δ. δ L diperoleh dengan pemecahan

δ, d = .95 Φ C

(

)

603 Ukuran Fit

untuk δ, dan δ U diperoleh dengan pemecahan

| Δ, d = .05 Φ C untuk δ, dimana Φ (x δ, d) adalah fungsi distribusi dari distribusi chi-squared noncentral dengan noncentrality parameter δ dan derajat kebebasan d.

Catatan: Gunakan \ ncp makro teks untuk menampilkan nilai estimasi parameter noncentrality dalam diagram jalur, \ ncplo untuk menampilkan batas bawah kepercayaan 90%, dan \ ncphi untuk batas atas kepercayaan 90%.

F0

D-δ 0 = max ⎛ C ------------, 0 ⎞ = NCP ---------- adalah perkiraan - = F0. F0 = F ⎝ n ⎠ n n

Kolom berlabel LO 90 dan 90 HI berisi batas bawah dan batas interval kepercayaan 90% untuk F 0 atas.

LO 90 =

δL

n

HI 90 =

δU

0 dalam diagram jalur output, \ f0lo Catatan: Gunakan makro \ f0 teks untuk menampilkan nilai F

untuk menampilkan lebih rendah estimasi kepercayaan 90%, dan \ f0hi untuk menampilkan perkiraan kepercayaan atas 90%.

RMSEA

F 0 menggabungkan ada hukuman untuk kerumitan model dan akan cenderung mendukung model dengan banyak parameter. Dalam membandingkan dua model bersarang, F 0 tidak akan pernah mendukung model sederhana. Steiger dan Lind (1980) mengemukakan kompensasi untuk efek kerumitan model dengan membagi F 0 dengan jumlah derajat kebebasan untuk pengujian model. Mengambil akar kuadrat dari rasio yang dihasilkan memberikan akar populasi mean square

604 Lampiran C

kesalahan perkiraan, yang disebut RMS oleh Steiger dan Lind, dan RMSEA oleh Browne dan Cudeck (1993).

Populasi RMSEA = F0 d

diperkirakan RMSEA =

F 0 d

Kolom berlabel LO 90 dan 90 HI berisi batas bawah dan batas interval kepercayaan 90% pada nilai populasi RMSEA atas. Batas-batas yang diberikan oleh

δL n

d

δU n

Rule of Thumb

Praktis pengalaman telah membuat kami merasa bahwa nilai RMSEA sekitar 0,05 atau kurang akan menunjukkan dekat fit dari model dalam kaitannya dengan derajat kebebasan. Angka ini didasarkan pada penilaian subjektif. Hal ini tidak dapat dianggap sebagai sempurna atau benar, tetapi lebih masuk akal daripada kebutuhan yang tepat sesuai dengan RMSEA = 0,0. Kami juga berpendapat bahwa nilai sekitar 0,08 atau kurang untuk RMSEA akan menunjukkan kesalahan yang wajar pendekatan dan tidak akan mau mempekerjakan model dengan RMSEA yang lebih besar dari 0,1. (Browne dan Cudeck, 1993)

Catatan: Gunakan \ RMSEA makro teks untuk menampilkan perkiraan root mean square error dari pendekatan dalam diagram jalur output, \ rmsealo untuk menurunkan perkiraan kepercayaan 90%, dan \ rmseahi untuk perkiraan kepercayaan 90% atasnya.

605 Ukuran Fit

Pclose

.05 2 nd, d) adalah ap nilai untuk menguji hipotesis nol bahwa pclose = 1 - Φ (C populasi RMSEA tidak lebih besar dari 0,05.

H 0: RMSEA ≤ .05

Sebaliknya, nilai p di kolom P (lihat "P" pada hal. 599) adalah untuk menguji hipotesis bahwa RMSEA populasi adalah 0.

H 0: RMSEA = 0

Berdasarkan pengalaman mereka dengan RMSEA, Browne dan Cudeck (1993) menunjukkan bahwa RMSEA 0,05 atau kurang menunjukkan cocok dekat. Mempekerjakan definisi ini cocok dekat, pclose memberikan tes fit dekat sementara P memberikan tes fit tepat.

Catatan: Gunakan \ pclose makro teks untuk menampilkan nilai p dekat fit dari RMSEA populasi dalam diagram jalur output.

Tindakan Informasi-teoritik

+ Kq, di mana k adalah beberapa positif + kq atau F Amos melaporkan beberapa statistik dari bentuk C konstan. Setiap statistik ini menciptakan suatu ukuran gabungan kejahatan fit) dan kompleksitas (q) dengan membentuk jumlah tertimbang dari dua. Model Sederhana atau F (C yang cocok mendapat nilai rendah sesuai dengan kriteria tersebut. Complicated, model kurang pas mendapat nilai tinggi. Konstan k menentukan hukuman relatif harus terpasang ke kejahatan fit dan kompleksitas. Statistik dijelaskan dalam bagian ini dimaksudkan untuk model perbandingan dan bukan untuk evaluasi model terisolasi. Semua statistik ini dikembangkan untuk digunakan dengan estimasi kemungkinan maksimum. Amos laporan mereka untuk GLS dan ADF estimasi juga, meskipun tidak jelas bahwa penggunaan mereka memastikan adanya sana.

AIC

Kriteria Informasi Akaike (Akaike, 1973, 1987) diberikan oleh

+ 2q AIC = C

606 Lampiran C

Lihat juga "ECVI" pada hal. 607.

Catatan: Gunakan \ makro teks aic untuk menampilkan nilai kriteria informasi Akaike

dalam diagram jalur output.

BCC

The Browne-Cudeck (1989) kriteria yang diberikan oleh

+ 2q BCC = C

Σ

G

b (g)

g = 1

p (g) p (g) + 3 N (g) - p (g) - 2

Σ p (g) (p (g) + 3)

g = 1

(G)

N (g) (g) (g) jika di mana b = N - 1 jika perintah Emulisrel6 telah digunakan, atau b = n ------- N belum. BCC membebankan penalti sedikit lebih besar untuk kerumitan model daripada AIC. BCC adalah satu-satunya ukuran dalam bagian ini yang dikembangkan khusus untuk analisis struktur saat. Browne dan Cudeck memberikan beberapa bukti empiris menunjukkan bahwa BCC bisa lebih baik dibanding tindakan yang lebih berlaku umum. Arbuckle (dalam persiapan) memberikan justifikasi alternatif untuk BCC dan berasal rumus di atas untuk beberapa kelompok.

Lihat juga "MECVI" pada hal. 608.

Catatan: Gunakan \ bcc makro teks untuk menampilkan nilai dari kriteria-Browne Cudeck dalam diagram jalur output.

BIC

Kriteria Informasi Bayes (Schwarz, 1978; Raftery, 1993) diberikan oleh rumus + q ln (N (1)) BIC = C Dibandingkan dengan AIC, BCC, dan CAIC, BIC memberikan hukuman yang lebih besar ke model kompleksitas dan, karena itu, memiliki kecenderungan yang lebih besar untuk memilih model pelit. BIC ini dilaporkan hanya untuk kasus satu kelompok di mana sarana dan penyadapan tidak parameter model yang eksplisit.

607 Ukuran Fit

Catatan: Gunakan bic makro teks \ untuk menampilkan nilai kriteria informasi Bayes dalam diagram jalur output.

CAIC

Bozdogan (1987) CAIC (konsisten AIC) diberikan oleh rumus

+ Q ln N (1) + 1 = C CAIC

CAIC memberikan hukuman yang lebih besar untuk kerumitan model dari baik AIC atau BCC tapi tidak lebih besar penalti seperti halnya BIC. CAIC dilaporkan hanya untuk kasus satu kelompok di mana sarana dan penyadapan tidak parameter model yang eksplisit.

Catatan: Gunakan \ CAIC makro teks untuk menampilkan nilai statistik AIC konsisten dalam

diagram jalur output.

ECVI

Kecuali untuk faktor skala konstan, ECVI sama dengan AIC.

ECVI = 1 + 2q (AIC) = F n n

Kolom berlabel LO 90 dan HI 90 memberikan batas bawah dan batas atas interval kepercayaan 90% pada populasi ECVI:

δ L + d + 2q

δ U + d + 2q

Lihat juga "AIC" pada hal. Catatan: Gunakan \ ecvi makro teks untuk menampilkan nilai yang diharapkan cross-validasi

indeks dalam diagram jalur output, \ ecvilo untuk menampilkan lebih rendah estimasi kepercayaan 90%, dan \ ecvihi untuk perkiraan kepercayaan 90% atasnya.

608 Lampiran C

MECVI

Kecuali untuk faktor skala, MECVI identik dengan BCC.

MECVI =

1 + 2q g = 1 (BCC) = F n

a (g)

mana belum.

(G) N -1 N = ----------------- jika perintah Emulisrel6 telah digunakan, atau = -------- jika N-GN

Lihat juga "BCC" di hal. 606.

Catatan: Gunakan \ mecvi makro teks untuk menampilkan statistik ECVI dimodifikasi dalam diagram jalur output.

Perbandingan dengan Model Dasar

Beberapa tindakan fit mendorong Anda untuk merefleksikan kenyataan bahwa, tidak peduli seberapa buruk Model cocok Anda, hal-hal yang selalu bisa lebih buruk. Bentler dan Bonett (1980) dan Tucker dan Lewis (1973) menyarankan pas model kemerdekaan

atau beberapa model baseline yang sangat buruk pas lainnya sebagai latihan untuk melihat seberapa besar perbedaan fungsi menjadi. Tujuan dari latihan ini adalah untuk menempatkan fit dari model sendiri (s) ke beberapa perspektif. Jika tidak ada model Anda cocok dengan sangat baik, mungkin menghibur Anda untuk melihat model benar-benar buruk. Sebagai contoh, sebagai berikut = 71,544) keluaran menunjukkan, Model A dari Contoh 6 telah perbedaan agak besar (C dalam kaitannya dengan derajat kebebasan. Di sisi lain, 71,544 tidak terlihat begitu buruk dibandingkan dengan 2.131,790 (ketidaksesuaian untuk model kemerdekaan).

609 Ukuran Fit

Model

NPAR

CMIN

DF

P

CMIN / DF

Model A: Tidak ada Autokorelasi Model B: Paling Umum Model C: Sisa-invarian Model D: A dan C Gabungan Jenuh Model Model Kemerdekaan

15 16 13 12 21 6

71,544 6,383 7,501 73,077 0,000 2131,790

6 5 8 9 0 15

0,000 0,271 0,484 0,000 0,000

11,924 1,277 0,938 8,120 142,119

Ini hal-bisa-bisa-lebih-buruk filosofi evaluasi model dimasukkan ke sejumlah langkah fit. Semua tindakan cenderung berkisar antara 0 dan 1, dengan nilai mendekati 1 menunjukkan cocok. Hanya NFI (dijelaskan di bawah) dijamin antara 0 dan 1, dengan 1 menunjukkan cocok. (CFI juga dijamin akan antara 0 dan 1, tapi ini karena nilai-nilai lebih besar dari 1 dilaporkan sebagai 1, sedangkan nilai kurang dari 0 dilaporkan sebagai 0.) Model kemerdekaan hanya satu contoh model yang dapat dipilih sebagai model dasar, meskipun itu adalah yang paling sering digunakan dan salah satu yang menggunakan Amos. Sobel dan Bohrnstedt (1985) berpendapat bahwa pilihan model kemerdekaan sebagai model baseline sering tidak pantas. Mereka menyarankan alternatif, seperti yang dilakukan Bentler dan Bonett (1980), dan memberikan beberapa contoh untuk menunjukkan sensitivitas NFI dengan pilihan model baseline.

NFI

The Bentler-Bonett (1980) bernorma indeks fit (NFI), atau Δ1 dalam notasi Bollen (1989b) dapat ditulis

NFI = Δ1 = 1 - C F = 1 - F C

b

= NF adalah perbedaan minimum model yang dievaluasi dan mana C C b = nF b adalah selisih minimum dari model dasar. Dalam Contoh 6, model kemerdekaan dapat diperoleh dengan menambahkan kendala ke salah satu model lainnya. Setiap model dapat diperoleh dengan membatasi model jenuh. Jadi Model A, misalnya, dengan χ 2 = 71,544, yang jelas di antara model jenuh sempurna pas (χ 2 = 0) dan model kemerdekaan (χ 2 = 2131,790).

610 Lampiran C

Melihat dengan cara ini, fit dari Model A jauh lebih dekat dengan fit dari model jenuh daripada untuk fit dari model kemerdekaan.

Bahkan, Anda mungkin mengatakan bahwa Model A memiliki perbedaan yang 96,6% dari jalan antara model (sangat pas) kemerdekaan dan (sempurna pas) Model jenuh.

NFI =

2131.790 - 71.54 71.54 = 1 - = 0,966 2131,790 2131,790

Karena skala indeks fit tidak selalu mudah untuk menafsirkan (misalnya, indeks tidak squared multiple korelasi), pengalaman akan diperlukan untuk menetapkan nilai indeks yang berkaitan dengan berbagai tingkat kebermaknaan hasil. Dalam pengalaman kami, model dengan indeks fit keseluruhan kurang dari 0,9 biasanya dapat ditingkatkan secara substansial. Indeks-indeks ini, dan perbandingan hirarkis umum yang diuraikan sebelumnya, sebaiknya dipahami oleh contoh. (Bentler dan Bonett, 1980, hal. 600, yang mengacu pada NFI dan TLI)

Catatan: Gunakan \ NFI makro teks untuk menampilkan bernorma nilai indeks fit dalam diagram jalur output.

RFI

Bollen (1986) Indeks fit relatif (RFI) diberikan oleh

RFI = ρ1 = 1 - d d CF = 1 - d d FC bbbb

611 Ukuran Fit

dan d adalah perbedaan dan derajat kebebasan untuk model yang mana C b dan db adalah perbedaan dan derajat kebebasan untuk dievaluasi, dan C model baseline. RFI diperoleh dari NFI dengan menggantikan F / d untuk F. nilai RFI mendekati 1 menunjukkan sangat cocok.

Catatan: Gunakan \ rfi makro teks untuk menampilkan nilai indeks fit relatif dalam diagram jalur output.

IFI

Bollen ini (1989b) inkremental indeks fit (IFI) diberikan oleh:

IFI = Δ 2 =-C C b-d C b

IFI nilai mendekati 1 menunjukkan sangat cocok.

Catatan: Gunakan \ IFI makro teks untuk menampilkan tambahan nilai indeks fit dalam diagram jalur output.

TLI

Koefisien Tucker-Lewis (ρ2 dalam notasi Bollen, 1989b) dibahas oleh Bentler dan Bonett (1980) dalam konteks analisis struktur saat dan juga dikenal sebagai Bentler-Bonett indeks fit non-bernorma (NNFI).

TLI = ρ 2 =

C b db C

-C d -1

db

Kisaran khas untuk TLI terletak antara 0 dan 1, tetapi tidak terbatas pada kisaran tersebut. TLI nilai mendekati 1 menunjukkan sangat cocok.

Catatan: Gunakan \ TLI teks makro untuk menampilkan nilai indeks Tucker-Lewis dalam diagram jalur output.

612 Lampiran C

CFI

The komparatif fit index (CFI, Bentler, 1990) diberikan oleh

CFI = 1 - d, 0 NCP max C = 1 - NCP b max Cb - db, 0

, D, dan NCP adalah perbedaan, derajat kebebasan, dan di mana C b, db, dan parameter noncentrality perkiraan untuk model sedang dievaluasi, dan C NCP b adalah perbedaan, derajat kebebasan, dan noncentrality yang estimasi parameter untuk model dasar. CFI adalah identik dengan McDonald dan Marsh (1990) Indeks noncentrality relatif (RNI)

RNI = 1 - d C-d C

kecuali bahwa CFI tersebut dipotong untuk jatuh dalam kisaran dari 0 ke 1. CFI nilai mendekati 1 menunjukkan sangat cocok.

Catatan: Gunakan \ CFI makro teks untuk menampilkan nilai indeks fit komparatif dalam diagram jalur output.

Tindakan penghematan Disesuaikan

James, dkk. (1982) menyarankan mengalikan NFI dengan indeks kekikiran sehingga untuk memperhitungkan jumlah derajat kebebasan untuk pengujian kedua model sedang dievaluasi dan model dasar. Mulaik, et al. (1989) menyarankan menerapkan perubahan yang sama pada GFI. Amos juga menerapkan penyesuaian kekikiran ke CFI. Lihat juga "PGFI" pada hal. 615.

613 Ukuran Fit

PNFI

The PNFI adalah hasil dari penerapan James, dkk 's. (1982) kekikiran penyesuaian NFI

PNFI = (NFI) (PRATIO) = NFI

d db

di mana d adalah derajat kebebasan untuk model yang sedang dievaluasi, dan db adalah derajat kebebasan untuk model dasar.

Catatan: Gunakan \ PNFI makro teks untuk menampilkan nilai indeks fit bernorma pelit dalam

diagram jalur output.

PCFI

The PCFI adalah hasil dari penerapan James, et al 's (1982) kekikiran penyesuaian CFI.:

PCFI = (CFI) (PRATIO) = CFI d db

Catatan: Gunakan \ pcfi makro teks untuk menampilkan nilai pelit indeks fit komparatif dalam diagram jalur output.

GFI dan Tindakan Terkait

Tindakan cocok GFI dan terkait dijelaskan di sini.

GFI

The GFI (indeks goodness-of-fit) ditemukan oleh Joreskog dan Sörbom (1984) untuk ML dan ULS estimasi, dan umum kriteria estimasi lainnya oleh Tanaka dan Huba (1985).

614 Lampiran C

The GFI diberikan oleh

GFI = 1 -

F F

adalah nilai minimum dari fungsi perbedaan didefinisikan dalam Lampiran B dan di mana F (g) F b diperoleh dengan mengevaluasi F dengan Σ = 0, g = 1, 2, ..., G. Pengecualian harus dibuat untuk estimasi kemungkinan maksimum, karena (D2) dalam Lampiran B tidak ditentukan untuk (g) Σ = 0. Untuk tujuan komputasi GFI dalam kasus kemungkinan maksimum (g) (g) estimasi, f (Σ, S) dalam Lampiran B dihitung sebagai

f Σ (g); S (g) = 1 tr ⎡ K (g) 2 ⎢ ⎣

-1

(S () - Σ ()) ⎤ ⎥ ⎦

g g

2

(G) (g) dengan K = Σ (γ ML), di mana γ ML adalah kemungkinan estimasi maksimum γ. GFI selalu kurang dari atau sama dengan 1. GFI = 1 menunjukkan cocok.

Catatan: Gunakan \ GFI makro teks untuk menampilkan nilai indeks goodness-of-fit dalam

AGFI

The AGFI (disesuaikan indeks goodness-of-fit) memperhitungkan derajat kebebasan yang tersedia untuk menguji model. Hal ini diberikan oleh

AGFI = 1 - (1 - GFI)

dimana

db =

db d

Σ p * (g)

The AGFI dibatasi diatas oleh 1, yang menunjukkan cocok. Hal ini tidak, bagaimanapun, dibatasi bawah oleh 0, sebagai GFI.

Catatan: Gunakan \ AGFI makro teks untuk menampilkan nilai dari GFI yang disesuaikan dalam output

path diagram.

615 Ukuran Fit

PGFI

The PGFI (kekikiran indeks goodness-of-fit), disarankan oleh Mulaik, et al. (1989), merupakan modifikasi dari GFI yang memperhitungkan derajat kebebasan yang tersedia untuk menguji model

PGFI = GFI

di mana d adalah derajat kebebasan untuk model sedang dievaluasi, dan

adalah derajat kebebasan untuk model dasar nol.

Catatan: Gunakan \ pgfi makro teks untuk menampilkan nilai dari GFI pelit dalam diagram jalur output.

Tindakan Miscellaneous

Langkah-langkah sesuai Miscellaneous dijelaskan di sini.

HI 90

Amos melaporkan interval kepercayaan 90% untuk nilai populasi beberapa statistik. Batas-batas atas dan bawah yang diberikan dalam kolom berlabel HI 90 dan LO 90.

HOELTER

Hoelter (1983) N kritis adalah ukuran sampel terbesar untuk mana yang akan menerima hipotesis bahwa model adalah benar. Hoelter tidak menentukan tingkat signifikansi yang digunakan dalam menentukan N kritis, meskipun ia menggunakan 0,05 di contoh nya. Amos melaporkan N kritis untuk tingkat signifikansi 0,05 dan 0,01.

616 Lampiran C

Berikut adalah N kritis yang ditampilkan oleh Amos untuk masing-masing model dalam Contoh 6:

Model HOELTER 0,05 0,01 HOELTER

Model A: Tidak ada Autokorelasi Model B: Paling Umum Model C: Sisa-invarian Model D: A dan C Model Kemerdekaan Gabungan

164 1615 1925 216 11

219 2201 2494 277 14

Model A, misalnya, akan diterima pada tingkat 0,05 jika momen sampel telah persis seperti yang ditemukan dalam studi Wheaton namun dengan ukuran sampel 164. Dengan ukuran sampel 165, Model A akan ditolak. Hoelter berpendapat bahwa N kritis 200 atau lebih baik menunjukkan fit memuaskan. Dalam sebuah analisis dari beberapa kelompok, ia menyarankan ambang batas 200 kali jumlah kelompok. Agaknya ambang batas ini harus digunakan dalam hubungannya dengan tingkat signifikansi 0,05. Standar ini menghilangkan Model A dan model kemandirian dalam Contoh 6. Model B yang memuaskan sesuai dengan kriteria Hoelter. Saya sendiri yakin dengan argumen Hoelter dalam mendukung standar 200 saya tidak. Sayangnya, penggunaan N kritis sebagai bantuan praktis untuk pemilihan model memerlukan beberapa standar seperti. Bollen dan Liang (1988) melaporkan beberapa studi tentang N statistik kritis.

Catatan: Gunakan \ makro teks hfive untuk menampilkan Hoelter yang N penting dalam jalur output

diagram untuk α = 0,05, atau \ mengasah makro teks untuk α = 0,01.

LO 90

RMR

The RMR (root mean residual persegi) adalah akar kuadrat dari jumlah kuadrat rata dimana varians sampel dan covariances berbeda dari estimasi yang diperoleh berdasarkan asumsi bahwa

model Anda benar. ⎧ ⎪ pg RMR = ⎨ g = 1 ⎪ ⎩ i = 1

G (g) (g)) ⎬ Σ p * (g) - σ ij Σ ΣΣ (Sij ⎪ G j = 1 j ≤ i

⎫ ⎪ ⎭

617 Ukuran Fit

Semakin kecil RMR adalah, semakin baik. Sebuah RMR 0 menunjukkan cocok. Output berikut dari Contoh 6 menunjukkan bahwa, menurut RMR tersebut, Model A adalah yang terbaik di antara model dipertimbangkan kecuali untuk model jenuh:

Model RMR GFI AGFI PGFI

0,284 0,757 0,749 0,263 0,000 12,342

0,975 0,998 0,997 0,975 1,000 0,494

0,913 0,990 0,993 0,941 0,292

0,279 0,238 0,380 0,418 0,353

Catatan: Gunakan \ rmr makro teks untuk menampilkan nilai root mean residual persegi di

Daftar Dipilih Tindakan Fit

Jika Anda ingin fokus pada langkah-langkah sesuai beberapa, Anda mungkin mempertimbangkan rekomendasi implisit Browne dan Mels (1992), yang memilih untuk hanya melaporkan tindakan fit berikut: "CMIN" pada hal. 599 "P" pada hal. 599 "FMIN" pada hal. 602 "F0" pada hal. 603, dengan 90% confidence interval "pclose" pada hal. 605 "RMSEA" pada hal. 603, dengan 90% confidence interval "ECVI" pada hal.

607, dengan 90% confidence interval (Lihat juga "AIC" pada hal. 605) Untuk kasus estimasi kemungkinan maksimum, Browne dan Cudeck (1989, 1993) menyarankan mengganti MECVI (hal. 608) untuk ECVI.

Lampiran

Diagnosis Numeric Non-identifiability

Dalam rangka untuk memutuskan apakah parameter diidentifikasi atau seluruh model diidentifikasi, Amos meneliti rank dari matriks perkiraan turunan kedua dan beberapa matriks terkait. Metode yang digunakan adalah mirip dengan McDonald dan Krane (1977). Ada keberatan terhadap pendekatan ini pada prinsipnya (Bentler dan Minggu, 1980; McDonald, 1982). Ada juga masalah praktis dalam menentukan peringkat dari matriks dalam kasus-kasus perbatasan. Karena kesulitan ini, Anda harus menilai identifiability model pada apriori alasan jika Anda bisa.

Dengan model yang kompleks, ini mungkin mustahil, sehingga Anda akan harus bergantung pada penentuan numerik dari Amos. Untungnya, Amos cukup bagus untuk menilai identifiability dalam praktek.

619

E

Menggunakan Tindakan Fit untuk Rank Model

Secara umum, sulit untuk memilih ukuran cocok karena ada begitu banyak dari yang untuk memilih. Pilihannya semakin mudah ketika tujuan ukuran fit adalah untuk membandingkan model satu sama lain daripada untuk menilai kebaikan model dengan standar mutlak. Misalnya, ternyata bahwa tidak peduli apakah Anda menggunakan RMSEA, RFI, atau TLI ketika urutan ranking koleksi model. Masing-masing tiga ukuran tergantung pada dan d hanya melalui C / d, dan masing-masing tergantung pada monoton C / d. Dengan demikian, masing-masing ukuran C memberikan peringkat yang sama memesan model. Untuk alasan ini, prosedur pencarian spesifikasi hanya melaporkan RMSEA.

RMSEA =

-D C ------------ = nd

1 ⎛ C ------ 1 ⎞ ⎠ ⎝ n d

/ D C RFI = ρ 1 = 1 -------------- Cb / db b C C -------- db d TLI = ρ 2 = --- ----------- b C ------ 1 db dan d hanya melalui C - d, dan mereka bergantung Langkah-langkah berikut cocok tergantung pada C - d. Prosedur pencarian spesifikasi hanya melaporkan CFI sebagai monoton pada perwakilan C dari mereka semua.

621

622 Apendiks E

- D, 0) NCP = max (C-d ⎞ 0 = max ⎛ C ------------, 0 F0 = F ⎝ n ⎠ - d, 0) max (C CFI = 1 ----------------------------------------------- -------- d, 0) max (C b - db, C-d C - (tidak dilaporkan oleh Amos) RNI = 1 -------------- - The langkah berikut cocok tergantung monoton pada C sebagai wakil dari mereka semua prosedur pencarian spesifikasi hanya melaporkan C CMIN = C C FMIN = db dan tidak sama sekali pada d - -. n C NFI Cb. = 1 ----- b C dan d dan dapat menghasilkan Setiap langkah fit berikut adalah jumlah tertimbang C urutan peringkat yang berbeda dari model. Prosedur pencarian spesifikasi laporan masing-masing kecuali untuk CAIC. BCC AIC BIC CAIC

623 Menggunakan Tindakan Fit untuk Model Peringkat

Setiap langkah-langkah berikut ini cocok mampu memberikan urutan peringkat unik model. Urutan peringkat tergantung pada pilihan model baseline juga. Prosedur pencarian spesifikasi tidak melaporkan langkah-langkah ini.

IFI = Δ 2 PNFI PCFI

Langkah-langkah berikut cocok adalah satu-satunya dilaporkan oleh Amos yang tidak fungsi dan d dalam kasus estimasi kemungkinan maksimum.

Spesifikasi mencari prosedur C tidak melaporkan langkah-langkah ini.

GFI AGFI PGFI

F

Model dasar untuk Tindakan Fit Deskriptif

Tujuh ukuran fit (NFI, RFI, IFI, TLI, CFI, PNFI, dan PCFI) memerlukan nol atau model dasar buruk terhadap yang model lain dapat dibandingkan. Prosedur pencarian spesifikasi menawarkan pilihan empat nol, atau dasar, model:

Null 1: Variabel yang diamati ini harus berkorelasi. Sarana dan

varians yang tidak dibatasi. Ini adalah model Kemerdekaan dasar dalam analisis Amos biasa ketika Anda tidak melakukan pencarian spesifikasi.

Null 2: The korelasi antara variabel yang diamati yang diperlukan untuk menjadi sama. Itu

sarana dan varians dari variabel yang diamati dibatasi.

Null 3: Variabel yang diamati ini harus berkorelasi dan memiliki sarana 0.

Varians mereka dibatasi.

Ini adalah model Kemerdekaan dasar yang digunakan oleh Amos 4.0.1 dan sebelumnya untuk model di mana sarana dan penyadapan adalah parameter model yang eksplisit.

Null 4: korelasi antara variabel yang diamati yang diperlukan untuk menjadi sama. Itu

varians dari variabel yang diamati dibatasi. Berarti mereka dituntut untuk 0. Setiap model nol menimbulkan nilai yang berbeda untuk NFI, RFI, IFI, TLI, CFI, PNFI, dan PCFI.

Model Null Null 3 dan 4 dilengkapi selama spesifikasi pencarian hanya ketika sarana dan penyadapan secara eksplisit diperkirakan dalam model yang Anda tentukan. The Null Null 3 dan 4 model mungkin tepat ketika mengevaluasi model di mana sarana dan penyadapan dibatasi. Ada sedikit alasan untuk sesuai dengan 3 Null Null dan 4 model dalam situasi umum di mana sarana dan penyadapan tidak dibatasi namun diperkirakan untuk tujuan tunggal memungkinkan estimasi kemungkinan maksimum dengan data yang hilang.

625

626 Lampiran F

Untuk menentukan model dasar yang Anda ingin dipasang selama pencarian spesifikasi:

E Dari menu, pilih Analyze → Spesifikasi Search. E Klik tombol Options

pada Spesifikasi toolbar Search.

E Pada kotak dialog Options, klik tab pencarian berikutnya.

Empat model nol dan model jenuh tercantum dalam kelompok model benchmark.

Lampiran

G

Rescaling AIC, BCC, dan BIC

Langkah-langkah fit, AIC, BCC, dan BIC, didefinisikan dalam Lampiran C. Setiap ukuran adalah + kq, di mana k mengambil nilai yang sama untuk semua model. Nilai kecil adalah bentuk C) dan kekikiran baik, mencerminkan kombinasi cocok dengan data (C kecil (q kecil). Langkah-langkah yang digunakan untuk membandingkan model satu sama lain dan bukan untuk menilai kebaikan model tunggal. Spesifikasi prosedur pencarian di Amos menyediakan tiga cara rescaling langkah-langkah ini, yang diilustrasikan pada Contoh 22 dan 23. Lampiran ini memberikan rumus untuk ukuran cocok

Rescaled. (i) (i) (i) Dalam apa yang berikut, biarkan AIC, BCC , dan BIC menjadi nilai cocok untuk model i.

Rescaling Zero-Based

Karena AIC, BCC, dan BIC hanya digunakan untuk membandingkan model satu sama lain, dengan nilai yang lebih kecil menjadi lebih baik daripada nilai yang lebih besar, tidak ada salahnya menambahkan konstan, seperti pada:

AIC 0 = AIC - min [AIC]

i

(I)

BCC 0 = BCC - min [BCC]

BIC 0 = BIC - min [BIC]

627

628 Lampiran G

Nilai-nilai Rescaled adalah 0 atau positif. Sebagai contoh, model terbaik sesuai dengan AIC memiliki AIC 0 = 0, sementara model rendah berpengaruh positif AIC 0 nilai yang mencerminkan betapa buruk mereka daripada model terbaik.

E Untuk menampilkan AIC 0, BCC 0, dan BIC 0 setelah pencarian spesifikasi, klik

di

Spesifikasi toolbar Search.

E Pada saat hasil tab dari kotak dialog Options, klik berbasis nol (min = 0).

Akaike Berat dan Bayes Faktor (Sum = 1)

E Untuk mendapatkan rescaling berikut, pilih bobot Akaike dan faktor Bayes (jumlah = 1) pada saat hasil tab dari kotak dialog Options.

(I) AIC p

e-AIC / 2 = --------------------------- (m) - AIC / 2 e

Σ

m

(I) e-BCC / 2 BCC p = ---------------------------- (m) e-BCC / 2

(I) e-BIC / 2 BIC p = --------------------------- (m) - BIC / 2 e

Masing-masing langkah Rescaled merangkum dengan 1 seluruh model. Rescaling dilakukan hanya setelah spesifikasi pencarian yang melelahkan. Jika pencarian heuristik dilakukan atau jika nilai positif ditentukan untuk Mempertahankan hanya model ___ terbaik, maka penjumlahan prosedur (i) penyebut tidak dapat dihitung, dan rescaling tidak dilakukan. AIC p adalah (i) disebut bobot Akaike oleh Burnham dan Anderson (1998). BCC p memiliki sama (i) interpretasi sebagai AIC p. Dalam kerangka kerja Bayesian dan di bawah asumsi yang sesuai (i) dengan probabilitas yang sama sebelumnya untuk model, BIC p adalah perkiraan probabilitas posterior (Raftery, 1993, 1995).

629 Rescaling AIC, BCC, dan BI C

Berat Akaike dan Bayes Faktor (Max = 1)

E Untuk mendapatkan rescaling berikut, pilih bobot Akaike dan faktor Bayes (max = 1) pada saat hasil tab dari kotak dialog Options.

(I) e-AIC / 2 AIC L = ------------------------------------- (m ) - AIC / 2] max [em (i) e-BCC / 2 BCC L = ------------------------------ --------- (m) max [e-BCC / 2] m (i) BIC L

(I) (i)

e-BIC / 2 = ------------------------------------- (m) - BIC / 2 ] max [em

Sebagai contoh, model terbaik sesuai dengan AIC memiliki AIC L = 1, sementara model rendah memiliki L AIC antara 0 dan 1. Lihat Burnham dan Anderson (1998) untuk pembahasan lebih lanjut dari AIC L, dan Raftery (1993, 1995) dan Madigan dan Raftery (1994) untuk pembahasan lebih lanjut dari BIC L.

Pemberitahuan

Informasi ini dikembangkan untuk produk dan layanan yang ditawarkan di Amerika Serikat IBM mungkin tidak menawarkan produk, layanan, atau fitur yang disebutkan dalam dokumen ini di negara lain. Konsultasikan lokal perwakilan IBM untuk mendapatkan informasi tentang produk dan layanan yang saat ini tersedia di wilayah Anda. Setiap referensi ke produk IBM, program, atau layanan tidak dimaksudkan untuk menyatakan atau menyiratkan bahwa hanya produk IBM, program, atau layanan dapat digunakan. Setiap produk fungsional, program, atau layanan yang tidak melanggar hak kekayaan intelektual IBM dapat digunakan sebagai gantinya. Namun, itu adalah tanggung jawab pengguna untuk mengevaluasi dan memeriksa pengoperasian setiap non-IBM produk, program, atau layanan. IBM mungkin memiliki paten atau aplikasi paten tertunda yang mencakup pokok bahasan yang diuraikan dalam dokumen ini. Melampirkan dokumen ini tidak memberikan Anda lisensi terhadap paten ini. Anda dapat mengirim pertanyaan tentang lisensi, dalam bentuk tertulis, ke: Direktur IBM Perizinan perusahaan IBM Utara Kastil Hard Armonk, NY 10504-1785 USA Untuk pertanyaan tentang lisensi double-byte set karakter (DBCS) informasi, hubungi IBM Kekayaan Intelektual Departemen di negara Anda atau mengirim pertanyaan secara tertulis, ke: Kekayaan Intelektual Perizinan Hukum dan Hukum Kekayaan Intelektual IBM Jepang Ltd 1623-1614, Shimotsuruma, Yamato-shi Kanagawa 242-8502 Jepang

631

632 Pemberitahuan

Paragraf berikut tidak berlaku untuk Inggris atau negara lain di mana ketentuan ini tidak sesuai dengan hukum setempat: INTERNASIONAL BISNIS MESIN CORPORATION

MENYEDIAKAN PUBLIKASI INI "SEBAGAIMANA ADANYA" TANPA JAMINAN APAPUN, BAIK TERSURAT MAUPUN TERSIRAT, TERMASUK, NAMUN TIDAK TERBATAS PADA, JAMINAN TERSIRAT NON-PELANGGARAN, KELAYAKAN UNTUK TUJUAN TERTENTU. Beberapa negara tidak mengizinkan disclaimer garansi tersurat atau tersirat dalam transaksi tertentu, oleh karena itu, pernyataan ini mungkin tidak berlaku bagi Anda. Informasi ini dapat mencakup ketidakakuratan teknis atau kesalahan ketik. Perubahan secara berkala dibuat ke informasi dalam dokumen, perubahan ini akan dimasukkan dalam edisi baru publikasi. IBM dapat melakukan perbaikan dan / atau perubahan dalam produk (s) dan / atau program (s) digambarkan dalam publikasi ini setiap saat tanpa pemberitahuan. Semua referensi dalam informasi ini ke situs Web non-IBM disediakan hanya untuk kenyamanan dan tidak sama sekali berfungsi sebagai dukungan terhadap situs Web tersebut. Materi di situs Web tersebut bukan merupakan bagian dari materi untuk produk IBM dan penggunaan situs Web tersebut merupakan risiko Anda sendiri. IBM dapat menggunakan atau mendistribusikan informasi yang Anda berikan dengan metode yang dianggap sesuai tanpa menimbulkan kewajiban untuk Anda. Lisensi program ini yang ingin memiliki informasi tentang hal itu untuk tujuan enabling: (i) pertukaran informasi antara program independen dibuat dan program lain (termasuk satu ini) dan (ii) penggunaan bersama informasi yang telah dipertukarkan , harus menghubungi: IBM Software Group Perhatian: Perizinan 233 S. Wacker Drive Chicago, IL 60606 USA Informasi tersebut mungkin ada, tergantung pada persyaratan yang sesuai dan kondisi, termasuk dalam beberapa kasus, pembayaran biaya. The berlisensi program yang dijelaskan dalam dokumen ini dan semua materi berlisensi yang tersedia untuk itu disediakan oleh IBM berdasarkan ketentuan dari Perjanjian Nasabah IBM, Perjanjian Lisensi Program Internasional IBM atau perjanjian setara antara kami.

633 Pemberitahuan

Informasi tentang produk non-IBM diperoleh dari pemasok produk-produk, pengumuman yang diterbitkan atau sumber lain yang tersedia untuk umum. IBM belum menguji produk-produk dan tidak dapat memastikan keakuratan kinerja, kompatibilitas atau klaim lain yang berkaitan dengan produk non-IBM. Pertanyaan pada kemampuan produk non-IBM harus ditujukan kepada pemasok produk tersebut.

Semua pernyataan tentang IBM arah masa depan atau maksud tunduk pada perubahan atau penarikan tanpa pemberitahuan, dan mewakili tujuan dan sasaran saja. Informasi ini berisi contoh-contoh data dan laporan yang digunakan dalam operasi bisnis sehari-hari. Untuk menggambarkan mereka sebagai selengkap mungkin, contoh-contoh mencakup nama-nama perorangan, perusahaan, merek, dan produk. Semua nama-nama ini fiktif dan ada kesamaan dengan nama dan alamat yang digunakan oleh suatu perusahaan bisnis yang sebenarnya adalah sepenuhnya kebetulan.

Jika Anda melihat informasi ini softcopy, foto-foto dan ilustrasi warna mungkin tidak muncul.

Merek Dagang

IBM, logo IBM, dan ibm.com, dan SPSS adalah merek dagang atau merek dagang terdaftar dari International Business Machines Corp, terdaftar di banyak yurisdiksi di seluruh dunia. Produk dan layanan nama lain mungkin merupakan merek dagang dari IBM atau perusahaan lain. Daftar saat IBM merek dagang tersedia di Web di http://www.ibm.com/legal/copytrade.shtml. AMOS adalah merek dagang dari Amos Development Corporation. Microsoft, Windows, Windows NT, dan logo Windows adalah merek dagang Microsoft Corporation di Amerika Serikat, negara lain, atau keduanya.

Bibliografi

Akaike, H. 1973. Teori Informasi dan perpanjangan prinsip kemungkinan maksimum. Dalam: Prosiding 2nd Simposium Internasional Teori Informasi, BN Petrov dan F. Csaki, eds. Budapest: Akademiai Kiado. 267-281. ______. 1978. Sebuah analisis Bayesian dari prosedur AIC minimum. Annals of Institut Matematika statistik, 30: 9-14. 1987. Analisis faktor dan AIC. Psychometrika, 52: 317-332. Allison, P. D. 2002. Data yang hilang. Thousand Oaks, CA: Sage Publications. Anderson, E. 1935. Iris dari Semenanjung Gaspe. Buletin American Iris Society, 59: 2-5. Anderson, T. W. 1957. Kemungkinan maksimum untuk memperkirakan distribusi normal multivariat ketika beberapa pengamatan yang hilang. Journal of American Association Statistik, 52: 200-203. 1984. Pengantar untuk analisis statistik multivariat. New York: John Wiley and Sons. Arbuckle, J. L. diterbitkan, 1991. Bootstrap dan pemilihan model untuk analisis struktur saat. 1994a.

Keuntungan dari analisis model berbasis data yang hilang melalui penghapusan berpasangan. Dipresentasikan pada Konferensi RMD pada Pemodelan kausal, West Lafayette, IN. 1994b. Sebuah tes permutasi untuk analisis struktur kovarians. Disampaikan pada pertemuan tahunan Masyarakat Psikometri, University of Illinois, Urbana, IL.

1996. Estimasi Informasi lengkap di hadapan data yang tidak lengkap. Dalam: Lanjutan model persamaan struktural, GA Marcoulides dan RE Schumacker, eds. Mahwah, New Jersey: Lawrence Erlbaum Associates. Arminger, G., P. Stein, dan J. Wittenberg. 1999. Campuran bersyarat model berarti-dan covariancestructure. Psychometrika, 64:4, 475-494.

635

636 Bibliografi

Attig, M. S. 1983. Pengolahan informasi spasial oleh orang dewasa. Dipresentasikan pada pertemuan tahunan The Society Gerontological, San Francisco. Beale, E. M. L., dan R. J. A. Sedikit. 1975. Nilai-nilai yang hilang dalam analisis multivariat. Journal of Royal Society Statistik Seri B, 37: 129-145. Beck, A. T. 1967. Depresi: penyebab dan pengobatan. Philadelphia, PA: University of Pennsylvania Press. Bentler, P. M. 1980. Analisis multivariat dengan variabel laten: pemodelan kausal. Review Tahunan Psikologi, 31: 419-456. 1985. Teori dan Implementasi EQS: Program Persamaan Struktural. Los Angeles, CA: BMDP Statistical Software. 1989. EQS struktural persamaan Program manual. 1990. Indeks fit komparatif dalam model struktural. Psychological Bulletin, 107: 238-246. Bentler, P. M., dan D. G. Bonett. 1980. Uji signifikansi dan goodness of fit dalam analisis struktur kovarians. Psychological Bulletin, 88: 588-606.

Bentler, P. M., dan C. Chou. Isu-isu praktis dalam pemodelan struktural. Metode sosiologis dan Penelitian, 16: 78-117. Bentler, P. M., dan E. H. Freeman. 1983. Pengujian stabilitas di sistem linear persamaan struktural. Psychometrika, 48: 143-145. Bentler, P. M., dan D. G. Weeks. Persamaan struktural linier dengan variabel laten. Psychometrika, 45: 289-308. Bentler, P. M., dan J. A. Woodward. 1979. Penelitian evaluasi nonexperimental: Kontribusi pemodelan kausal. Dalam: Meningkatkan Evaluasi, L. Datta dan R. Perloff, eds. Beverly Hills: Sage Publications. Bollen, K. A. 1986. Ukuran sampel dan Bentler dan indeks fit non-bernorma Bonett itu. Psychometrika, 51: 375-377. Outliers dan solusi yang tidak tepat: Sebuah analisis faktor konfirmatori contoh. Metode sosiologis dan Penelitian, 15: 375-384. 1989a. Persamaan struktural dengan variabel laten. 1989b. Sebuah indeks baru cocok tambahan untuk model persamaan umum struktural. Metode sosiologis dan Penelitian, 17: 303-316. Bollen, K. A., dan K. G. Joreskog. Keunikan tidak menyiratkan identifikasi: Sebuah catatan pada analisis faktor konfirmatori. Metode sosiologis dan Penelitian, 14: 155-163. Bollen, K. A., dan J. Liang. 1988. Beberapa sifat CN Hoelter itu. Metode sosiologis dan Penelitian, 16: 492-503.

637 Bibliografi

Bollen, K. A., dan J. S. Long, eds. 1993. Pengujian model persamaan struktural. Newbury Park, CA: Sage Publications. Bollen, K. A., dan R. A. Stine. 1992. Bootstrap tindakan kebaikan-of-fit dalam model persamaan struktural. Metode sosiologis dan Penelitian, 21: 205-229. Bolstad, W. M. 2004.

Pengantar Statistik Bayesian. Hoboken, NJ: John Wiley and Sons. Boomsma, A. 1987. Ketangguhan estimasi kemungkinan maksimum dalam model persamaan struktural. Dalam: Modeling Struktural oleh Contoh: Aplikasi dalam Pendidikan, sosiologis, dan Behavioral Research, P. Cuttance dan R. Ecob, eds. Cambridge University Press, 160-188. Botha, J. D., A. Shapiro, dan J. H. Steiger. Indeks-of-fit seragam untuk model analisis faktor. Penelitian multivariat Perilaku, 23: 443-450. Bozdogan, H. 1987. Pemilihan model dan kriteria informasi Akaike ini (AIC): Teori umum dan ekstensi analitis. Psychometrika, 52: 345-370. Brown, C. H. 1983. Perbandingan Asymptotic hilang prosedur data untuk memperkirakan faktor loadings. Psychometrika, 48:2, 269-291. Brown, R. L. 1994. Khasiat dari pendekatan tidak langsung untuk memperkirakan model persamaan struktural dengan data yang hilang: Sebuah perbandingan lima metode. Structural Equation Modeling: A Journal Multidisiplin, 1: 287-316. Browne, M. W. 1982. Struktur kovarians. Dalam: Topik dalam analisis multivariat diterapkan, DM Hawkins, ed. Cambridge: Cambridge University Press, 72-141. Asimtotik metode distribusi bebas untuk analisis struktur kovarians. British Journal of Matematika dan Statistik Psikologi, 37: 62-83. Browne, M. W., dan R. Cudeck. Satu sampel cross-validasi indeks untuk struktur kovarians. Penelitian multivariat Perilaku, 24: 445-455. Alternatif cara untuk menilai model fit. Dalam: Pengujian model persamaan struktural, KA Bollen dan JS Long, eds. Newbury Park, CA: Sage Publications, 136-162. Browne, M. W., dan G. Mels. RAMONA panduan pengguna. The Ohio State University, Columbus, OH. Burnham, K. P., dan D. R. Anderson. 1998. Pemilihan model dan kesimpulan: Pendekatan Informasi-teori praktis. New York: Springer-Verlag. 2002. Pemilihan model dan multimodel inferensi: Pendekatan Informasi-teori praktis. 2nd ed. Burns, D. D. 1999. Merasa baik: terapi suasana baru. New York: Avon Books. Byrne, B. M. 1989.

Sebuah primer LISREL: aplikasi Dasar dan pemrograman untuk faktor model analitik konfirmasi. 2001. Pemodelan persamaan struktural dengan Amos: Konsep-konsep dasar, aplikasi, dan pemrograman. Mahwah, New Jersey: Erlbaum.

638 Bibliografi

Carmines, E. G., dan J. P. McIver. 1981. Menganalisis model dengan variabel teramati. Dalam: pengukuran Sosial: Isu terkini, GW Bohrnstedt dan EF Borgatta, eds. Cattell, R. B. 1966. Tes scree untuk sejumlah faktor. Penelitian multivariat Perilaku, 1: 245-276. Celeux, G., M. Hurn, dan C. P. Robert. 2000. Kesulitan komputasi dan inferensial dengan campuran distribusi posterior. Journal of American Association Statistik, 95:451, 957-970. Chen, F., KA Bollen, P. Paxton, PJ Curran, dan JB Kirby. Solusi tepat dalam model struktural persamaan: Penyebab, konsekuensi, dan strategi. Metode sosiologis dan Penelitian, 29:4, 468-508. Chung, H., E. Loken, dan J. L. Schafer. 2004. Kesulitan dalam menarik kesimpulan dengan model finitemixture: Sebuah contoh sederhana dengan solusi sederhana. Statistician Amerika, 58:2, 152-158. Cliff, N. 1973. Scaling. Review Tahunan Psikologi, 24: 473-506. Beberapa memperingatkan mengenai penerapan metode pemodelan kausal. Penelitian multivariat Perilaku, 18: 115-126. Cochran, W. G. 1952. The χ2 uji goodness of fit. Annals of Statistics matematika, 23: 315-345. Masak, T. D., dan D. T. Campbell. Kuasi eksperimen: Desain dan analisis masalah untuk pengaturan lapangan. Chicago: Rand McNally. Croon, M. 2002. Pengurutan kelas. Dalam: Terapan Kelas Laten Analisis: 137-162, JA Hagenaars dan AL McCutcheon, eds. Cambridge, UK: Cambridge University Press. Crowley, J., dan M. Hu.

1977. Analisis kovarians data transplantasi jantung. Journal of American Association Statistik, 72: 27-36. Cudeck, R., dan M. W. Browne. Cross-validasi struktur kovarians. Penelitian multivariat Perilaku, 18: 147-167. Davis, W. R. 1993. FC1 aturan identifikasi untuk analisis faktor konfirmatori: Sebuah kondisi yang cukup umum. Metode sosiologis dan Penelitian, 21: 403-437. Diaconis, P., dan B. Efron. Metode komputer yang intensif dalam statistik. Scientific American, 248:5, 116-130. Ding, C. 2006. Dengan menggunakan analisis regresi campuran dalam penelitian pendidikan. Research Assessment Praktis dan Evaluasi, 11:11. Tersedia online: http://pareonline.net/getvn.asp?v=11&n=11. Dolker, M., S. Halperin, dan D. R. Divgi. 1982. Masalah dengan bootstrap korelasi Pearson dalam sampel sangat kecil. Psychometrika, 47: 529-530.

639 Bibliografi

Draper, N. R., dan H. Smith. Analisis regresi diterapkan. Edgington, E. S. 1987. Pengacakan Tes. New York: Marcel Dekker. Efron, B. 1979. Metode bootstrap: lain melihat pisau lipat tersebut. Annals of Statistics, 7: 1-26. The pisau lipat, bootstrap, dan rencana resampling lainnya. (SIAM Monografi # 38) Philadelphia: Masyarakat Industri dan Matematika Terapan. Interval keyakinan bootstrap yang lebih baik. Journal of American Association Statistik, 82: 171-185. Efron, B., dan G. Gong. Tampak santai di bootstrap, pisau lipat, dan cross-validasi. Statistician Amerika, 37: 36-48. Efron, B., dan D. V. Hinkley. Menilai akurasi kemungkinan estimator maksimum: Diamati dibandingkan informasi Fisher yang diharapkan. Biometrika, 65: 457-87. Efron, B., dan R. J. Tibshirani. Pengenalan untuk bootstrap.

New York: Chapman dan Hall. Kelompok Studi Nilai Eropa dan Dunia Nilai Asosiasi Survey. Empat gelombang survei berkas nilai dunia Eropa dan terintegrasi data, 1981-2004. Vol. 20.060.423. 2006. Felson, R.B., dan G. W. Bohrnstedt 1979. "Apakah yang baik indah atau baik yang indah?" Hubungan antara persepsi anak tentang kemampuan dan persepsi daya tarik fisik. Triwulan Psikologi Sosial, 42: 386-392. Fisher, R. A. 1936. Penggunaan beberapa pengukuran dalam masalah taksonomi. Annals of Eugenics, 7: 179-188. Fox, J. 1980. Analisis Pengaruh dalam model persamaan struktural. Metode sosiologis dan Penelitian, 9: 3-28. Fraley, C, dan E. A. Raftery. Pengelompokan model berbasis, analisis diskriminan, dan kepadatan estimasi. Journal of American Association Statistik, 97:458, 611-631. Fruhwirth-Schnatter, S. 2004. Memperkirakan likelihoods marjinal untuk campuran dan Markov Model beralih menggunakan teknik jembatan sampling. The Ekonometrika Journal, 7: 143-167. Furnival, G. M., dan R. W. Wilson. 1974. Regresi dengan pesat. Teknometrik, 16: 499-511. Gelman, A., JB Carlin, HS Stern, dan DB Rubin. Bayesian Analisis Data. Boca Raton: Chapman dan Hall / CRC. Gill, J. 2004. Pengantar edisi khusus. Analisis Politik, 12:04, 323-337. Graham, JW, SM Hofer, SI Donaldson, DP MacKinnon, dan JL Schafer. 1997. Analisis dengan data yang hilang dalam penelitian pencegahan. Dalam: Ilmu pencegahan: kemajuan metodologis dari alkohol dan penyalahgunaan zat penelitian, K. Bryant, M. Windle, dan S. Barat, eds. Washington, DC: American Psychological Association.

640 Bibliografi

Graham, J. W., S. M. Hofer, dan D. P. MacKinnon. Memaksimalkan kegunaan data yang diperoleh dengan rencana pola nilai yang hilang: Sebuah

aplikasi prosedur kemungkinan maksimum. Penelitian multivariat Behavorial, 31: 197-218. Gulliksen, H., dan J. W. Tukey. 1958. Reliabilitas untuk hukum penilaian perbandingan. Psychometrika, 23: 95-110. Hamilton, L. C. 1990. Statistik dengan Stata. Pacific Grove, CA: Brooks / Cole. Hamilton, M. 1960. Sebuah skala rating untuk depresi. Journal of Neurology, Neurosurgery, and Psychiatry, 23: 56-62. Hayduk, L. A. 1987. Pemodelan persamaan struktural dengan LISREL. Baltimore: Johns Hopkins University Press. Hoelter, J. W. 1983. Analisis struktur kovarians: indeks Goodness-of-fit. Metode sosiologis dan Penelitian, 11: 325-344. Hoeting, JA, D. Madigan, AE Raftery, dan CT Volinsky. Bayesian Model rata-rata: tutorial. Ilmu statistik, 14: 382-417. Holzinger, K. J., dan F. A. Swineford. 1939. Sebuah penelitian di analisis faktor: Kestabilan solusi bi-faktor. Tambahan Monograf Pendidikan, No 48. Chicago: University of Chicago, Departemen Pendidikan. Hoshino, T. 2001. Inferensi Bayesian untuk campuran terbatas dalam analisis faktor konfirmatori. Behaviormetrika, 28:1, 37-63. Hu, L., dan P. M. Bentler. Kriteria cutoff indeks fit dalam analisis struktur kovarians: kriteria konvensional dibandingkan alternatif baru. Structural Equation Modeling, 6: 1-55. Hubert, L. J., dan R. G. Golledge. Sebuah metode heuristik untuk perbandingan struktur terkait. Jurnal Psikologi Matematika, 23: 214-226. Huitema, B. E. 1980. Analisis kovarians dan alternatif. Ibrahim, JG, MH Chen, SR Lipsitz, dan AH Herring. 2005. Hilang metode data untuk model linier umum: Ulasan A. Journal of American Association Statistik, 100:469, 332-346. Jackman, S. 2000. Estimasi dan inferensi melalui simulasi Bayesian: Pengantar rantai Markov Monte Carlo. Amerika Jurnal Ilmu Politik, 44:2, 375-404. James, L. R., S. A. Mulaik, dan J. M. Brett.

Analisis Kausal: Asumsi, model, dan data. Jamison, C, dan F. Scogin. 1995. Hasil bibliotherapy kognitif dengan orang dewasa depresi. Journal of Consulting and Clinical Psychology, 63: 644-650. Jasra, A., C. C. Holmes, dan D. A. Stephens. Rantai Markov Monte Carlo metode dan label beralih masalah dalam pemodelan campuran Bayesian. Ilmu statistik, 20:01, 50-67.

641 Bibliografi

Joreskog, K. G. 1967. Beberapa kontribusi untuk analisis faktor kemungkinan maksimum. Psychometrika, 32: 443-482. 1969. Pendekatan umum untuk analisis faktor kemungkinan maksimum konfirmasi. Psychometrika, 34: 183-202. 1971. Analisis faktor simultan di beberapa populasi. Psychometrika, 36: 409-426. Pendekatan umum untuk analisis faktor kemungkinan maksimum konfirmasi dengan addendum. Dalam: Kemajuan dalam analisis faktor dan model persamaan struktural, KG Joreskog dan D. Sörbom, eds. Cambridge, MA: Abt Buku, 21-43. Joreskog, K. G., dan D. Sörbom. Panduan pengguna LISREL-VI. 3rd ed. Mooresville, IN: Software Ilmiah. Panduan referensi LISREL-7 pengguna. LISREL-8 panduan referensi pengguna. Chicago: Software Ilmiah. Judd, C. M., dan M. A. Milburn. Struktur sistem sikap masyarakat umum: Perbandingan model persamaan struktural. American Sociological Review, 45: 627-643. Kalbfleisch, J. D., dan R. L. Prentice. Analisis statistik data waktu kegagalan. Kaplan, D. 1989. Model modifikasi dalam analisis struktur kovarians: Penerapan diharapkan statistik perubahan parameter. Penelitian multivariat Perilaku, 24: 285-305. Kendall, M. G., dan A. Stuart. 1973. Teori canggih statistik.

2, 3rd ed. New York: Hafner. Kline, R. B. 2005. Prinsip dan praktek pemodelan persamaan struktural. New York: The Guilford Press. Kullback, S., dan R. A. Leibler. 1951. Informasi dan kecukupan. Annals of Statistics matematika, 22: 79-86. Lazarsfeld, P. F., dan N. W. Henry. 1968. Analisis struktur laten. Boston: Houghton Mifflin. Lee, S., dan S. Hershberger. Sebuah aturan sederhana untuk menghasilkan model yang sama dalam pemodelan struktur kovarian. Penelitian multivariat Perilaku, 25: 313-334. Lee, S. Y. 2007. Pemodelan persamaan struktural: Pendekatan Bayesian. Chichester, UK: John Wiley and Sons. Lee, S. Y., dan X. Y. Song. Evaluasi kemungkinan Bayesian dan maksimum pendekatan dalam menganalisis model persamaan struktural dengan ukuran sampel yang kecil. Penelitian multivariat Perilaku, 39:4, 653-686. 2003. Analisis Bayesian model persamaan struktural dengan variabel dikotomis. Statistik Kedokteran, 22: 3073-3088. Linhart, H., dan W. Zucchini. 1986. Pemilihan model. New York: John Wiley and Sons.

642 Bibliografi

Sedikit, R. J. A., dan D. B. Rubin. Analisis statistik dengan data yang hilang. Analisis data ilmu sosial dengan nilai-nilai yang hilang. Metode sosiologis dan Penelitian, 18: 292-326. Sedikit, R. J. A., dan N. Schenker. Dalam: Buku Pegangan pemodelan statistik untuk ilmu sosial dan perilaku, G. Arminger, CC Clogg, dan ME Sobel, eds. New York: Plenum. Loehlin, J. C. 1992. Laten model variabel: Pengantar faktor, jalan, dan analisis struktural.

Loken, E. 2004. Menggunakan analisa kelas laten model tipe temperamen. Penelitian multivariat Perilaku, 39:4, 625-652. Tuhan, F. M. 1955. Estimasi parameter dari data yang tidak lengkap. Journal of American Association Statistik, 50: 870-876. Lübke, G. H., dan B. Muthén. Investigasi heterogenitas populasi dengan faktor campuran model. Metode psikologis, 10:1, 21-39. MacCallum, R. C. 1986. Pencarian Spesifikasi dalam pemodelan struktur kovarian. Psychological Bulletin, 100: 107-120. Perlunya langkah-langkah alternatif fit dalam pemodelan struktur kovarian. Penelitian multivariat Perilaku, 25: 157-162. MacCallum, RC, M. Roznowski, dan LB Necowitz. Modifikasi model dalam analisis struktur kovarians: Masalah kapitalisasi kebetulan. Psychological Bulletin, 111: 490-504. MacCallum, RC, DT Wegener, BN Uchino, dan LR Fabrigar. Masalah dengan model yang sama dalam aplikasi analisis struktur kovarians. Psychological Bulletin, 114: 185-199. MacKay, D. J. C. 2003. Teori informasi, kesimpulan dan algoritma pembelajaran. MacKinnon, DP, CM Lockwood, dan J. Williams. Keyakinan batas untuk efek tidak langsung: distribusi produk dan resampling metode. Penelitian multivariat Perilaku, 39:1, 99-128. Madigan, D., dan A. E. Raftery. 1994. Pemilihan model dan akuntansi untuk ketidakpastian model dalam model grafis menggunakan window Occam. Journal of American Association Statistik, 89: 1535-1546. Manly, B. F. J. 1991. Pengacakan dan Monte Carlo Metode dalam Biologi. London: Chapman dan Hall.

643 Bibliografi

Mantel, N. 1967. Deteksi pengelompokan penyakit dan pendekatan regresi umum. Cancer Research, 27: 209-220. Mantel, N., dan R. S. Valand. 1970. Sebuah teknik analisis multivariat nonparametrik. Biometrics, 26: 47-558. Mardia, K. V. 1970.

Tindakan kemiringan multivariat dan kurtosis dengan aplikasi. Biometrika, 57: 519-530. Aplikasi dari beberapa tindakan kemiringan multivariat dan kurtosis dalam pengujian normalitas dan studi ketahanan. Sankhya, Seri B, 36: 115-128. Marsh, H. W., dan D. Hocevar. Penerapan analisis faktor konfirmatori untuk mempelajari konsep diri: Pertama-dan lebih tinggi-order model faktor dan invarian mereka di seluruh kelompok. Psychological Bulletin, 97: 562-582. Martin, J. K., dan R. P. McDonald. Estimasi Bayesian dalam analisis faktor terbatas: Sebuah pengobatan untuk kasus Heywood. Psychometrika, 40: 505-517. Matsumoto, M., dan T. Nishimura. Mersenne twister: A 623-dimensi equidistributed seragam pseudo-nomor acak generator. ACM Transaksi pada Pemodelan dan Simulasi Komputer, 8: 3-30. Matthai, A. 1951. Estimasi parameter dari data tidak lengkap dengan aplikasi untuk desain survei sampel. Sankhya, 11: 145-152. McArdle, J. J., dan M. S. Aber. Pola perubahan dalam variabel model persamaan struktural laten. Dalam: Metode statistik dalam penelitian longitudinal, Volume I: Prinsip dan penataan perubahan, A. von Eye, ed. New York: Academic Press, 151-224. McDonald, R. P. 1978. Sebuah model yang komprehensif sederhana untuk analisis struktur kovarians. British Journal of Matematika dan Statistik Psikologi, 31: 59-72. Sebuah catatan pada penyelidikan identifiability lokal dan global. Psychometrika, 47: 101-103. Indeks goodness-of-fit berdasarkan noncentrality. Jurnal Klasifikasi, 6: 97-103. McDonald, R. P., dan W. R. Krane. Sebuah catatan pada identifiability lokal dan derajat kebebasan dalam uji rasio kemungkinan asimtotik.

British Journal of Matematika dan Statistik Psikologi, 30: 198-203. ______. 1979. Sebuah studi Monte-Carlo dari identifiability lokal dan derajat kebebasan dalam uji rasio kemungkinan asimtotik. British Journal of Matematika dan Statistik Psikologi, 32: 121-132. McDonald, R. P., dan H. W. Marsh. 1990. Memilih model multivariat: Noncentrality dan goodness of fit. Psychological Bulletin, 107: 247-255.

644 Bibliografi

Mulaik, S. A. 1990. Analisis kondisi di mana estimasi parameter mengembang kebaikan indeks fit sebagai ukuran validitas model. Makalah yang disajikan pada Pertemuan Tahunan, Psikometri Society, Princeton, New Jersey, 28-30 Juni, 1990. Mulaik, SA, LR James, J. Van Alstine, N. Bennett, S. Lind, dan CD Stilwell. 1989. Evaluasi indeks goodness-of-fit untuk model persamaan struktural. Psychological Bulletin, 105: 430-445. Muthén, B., D. Kaplan, dan M. Hollis. 1987. Pada model persamaan struktural dengan data yang tidak hilang sepenuhnya secara acak. Psychometrika, 52: 431-462 Olinsky, A., S. Chen, dan L. Harlow. 2003. Kemanjuran comparitive metode imputasi untuk data yang hilang dalam model persamaan struktural. European Journal of Riset Operasional, 151: 53-79. Olsson, S. 1973. Sebuah studi eksperimental efek pelatihan pada nilai tes dan faktor struktur. Uppsala, Swedia: University of Uppsala, Departemen Pendidikan. Raftery, A. E. 1993. Pemilihan model Bayesian dalam model persamaan struktural. Dalam: Pengujian model persamaan struktural, KA Bollen dan JS Long, eds. Newbury Park, CA: Sage Publications, 163-180. 1995. Pemilihan model Bayesian dalam penelitian sosial. Dalam: Metodologi Sosiologi, P. V. Marsden, ed. San Francisco: Jossey-Bass, 111-163. Rigdon, E. E. 1994a. Menghitung derajat kebebasan untuk model persamaan struktural. Structural Equation Modeling, 1: 274-278. 1994b. Mendemonstrasikan efek termodelkan kesalahan pengukuran acak. Structural Equation Modeling, 1: 375-380. Rock, DA, CE Werts, RL Linn, dan KG Joreskog. 1977. Sebuah solusi kemungkinan maksimum dengan kesalahan dalam variabel dan kesalahan dalam model persamaan. Jurnal Penelitian Perilaku multivariat, 12: 187-197. Rubin, D. B. 1976. Inferensi dan data hilang. Biometrika, 63: 581-592. Beberapa imputasi untuk nonresponse dalam survei.

New York: John Wiley and Sons. Runyon, R. P., dan A. Haber. 1980. Dasar-dasar statistik perilaku, 4th ed. Reading, Mass: Addison-Wesley. Salhi, S. 1998. Metode pencarian heuristik. Dalam: metode modern untuk penelitian bisnis, GA Marcoulides, ed. Mahwah, NJ: Erlbaum, 147-175. Saris, W. E., A. Satorra, dan D. Sörbom. Deteksi dan koreksi kesalahan spesifikasi dalam model persamaan struktural. Dalam: metodologi Sosiologis, C. C. Clogg, ed. San Francisco: Jossey-Bass. Schafer, J. L. 1997. Analisis data multivariat lengkap. London, UK: Chapman dan Hall. Schafer, J. L., dan J. W. Graham. 2002. Data yang hilang: Pandangan kita dari keadaan seni. Metode psikologis, 07:02, 147-177.

645 Bibliografi

Schafer, J. L., dan M. K. Olsen. 1998. Beberapa imputasi untuk multivariat masalah hilang-Data: Sebuah perspektif analis data itu. Penelitian multivariat Perilaku, 33:4, 545-571. Schwarz, G. 1978. Memperkirakan dimensi model. The Annals of Statistics, 6: 461-464. Scheines, R., H. Hoijtink, dan A. Boomsma. 1999. Estimasi Bayesian dan pengujian model persamaan struktural. Psychometrika, 64: 37-52. Shrout, P. E., dan N. Bolger. Mediasi dalam studi eksperimental dan nonexperimental: prosedur baru dan rekomendasi. Metode psikologis, 07:04, 422-445. Sobel, M. E. 1982. Interval kepercayaan Asymptotic untuk efek tidak langsung dalam model persamaan struktural. Dalam: metodologi Sosiologis, S. Leinhart, ed. San Francisco: Jossey-Bass, 290-312. 1986. Beberapa hasil baru pada efek tidak langsung dan kesalahan standar mereka dalam model struktur kovarians.

San Francisco: Jossey-Bass, 159-186. Sobel, M. E., dan G. W. Bohrnstedt. 1985. Penggunaan model nol dalam mengevaluasi fit model struktur kovarians. Dalam: metodologi Sosiologis, N. B. Tuma, ed. San Francisco: Jossey-Bass, 152-178. Sörbom, D. 1974. Sebuah metode umum untuk mempelajari perbedaan dalam faktor sarana dan faktor struktur antar kelompok. British Journal of Matematika dan Statistik Psikologi, 27: 229-239. 1978. Sebuah alternatif untuk metodologi untuk analisis kovarians. Psychometrika, 43: 381-396. Spirtes, P., R. Scheines, dan C. Glymour. Studi simulasi keandalan spesifikasi model computeraided menggunakan tetrad II, EQS, dan program LISREL. Metode sosiologis dan Penelitian, 19: 3-66. Steiger, J. H. 1989. EzPATH: pemodelan kausal. Evanston, IL: Systat. Struktural model evaluasi dan modifikasi: Pendekatan estimasi selang. Penelitian multivariat Perilaku, 25: 173-180. Steiger, J. H., dan J. C. Lind. 1980, 30 Mei. Tes berbasis statistik untuk jumlah faktor umum. Makalah yang dipresentasikan pada Spring Meeting Tahunan Psikometri Society, Iowa City. Steiger, J. H., A. Shapiro, dan M. W. Browne. Pada distribusi asimtotik multivariat statistik chi-square berurutan. Psychometrika, 50: 253-263. Stelzl, I. 1986. Mengubah hipotesis kausal tanpa mengubah fit: Beberapa aturan untuk menghasilkan model jalan setara. Penelitian multivariat Perilaku, 21: 309-331. Stephens, M. 2000. Berurusan dengan label switching dalam model campuran. Journal of Royal Society Statistik, Seri B, 62:4, 795-809. Stine, R. A. 1989. Sebuah pengantar untuk metode bootstrap: Contoh dan ide-ide. Metode sosiologis dan Penelitian, 18: 243-291. Swain, A. J. 1975. Analisis struktur parametrik untuk matriks varians. Unpublished Ph.D. tesis, University of Adelaide.

646 Bibliografi

Tanaka, J. S., dan G. J. Huba. Sebuah indeks cocok untuk model struktur kovarians bawah sewenang-wenang estimasi GLS. British Journal of Matematika dan Statistik Psikologi, 38: 197-201. Sebuah koefisien determinasi umum untuk model struktur kovarians bawah sewenang-wenang estimasi GLS. British Journal of Matematika dan Statistik Psikologi, 42: 233-239. Tucker, L. R., dan C. Lewis. 1973. Sebuah koefisien reliabilitas untuk analisis faktor kemungkinan maksimum. Psychometrika, 38: 1-10. Verleye, G. 1996. Hilang pada masalah data acak dalam pengukuran sikap dengan menggunakan kemungkinan pemodelan persamaan struktural maksimal. Disertasi yang tidak dipublikasikan. Frije Universiteit Brussel, Departemen Psikologi. Vermunt, J. K., dan J. Magidson. 2005. Struktural model persamaan: Model Campuran. Dalam: Ensiklopedia statistik dalam perilaku scientce, B. Everitt dan D. Howell, eds. Chichester, UK: John Wiley and Sons, 1922-1927. Warren, R. D., J. K. Putih, dan W. A. Fuller. 1974. Sebuah analisis kesalahan-in-variabel kinerja peran manajerial. Journal of American Association Statistik, 69: 886-893. Wheaton, B. 1987. Penilaian fit dalam model overidentified dengan variabel laten. Metode sosiologis dan Penelitian, 16: 118-154. Wheaton, B., B. Muthén, DF Alwin, dan GF Summers. Menilai keandalan dan stabilitas dalam model panel. Dalam: metodologi Sosiologis, D. R. Heise, ed. San Francisco: Jossey-Bass, 84-136. Wichman, B. A., dan I. D. Hill. 1982. Sebuah nomor pseudo-acak efisien dan portabel. Algoritma AS 183. Statistik Terapan, 31: 188-190. Winer, B. J. 1971. Prinsip statistik dalam desain eksperimental. New York: McGraw-Hill. Wothke, W. 1993. Matriks pasti tidak positif dalam pemodelan struktural. Newbury Park, CA: Sage Publications, 256-293. 1999 pemodelan Longitudinal dan multi-kelompok dengan data yang hilang. Dalam: Modeling longitudinal dan beberapa data grup: masalah praktis, pendekatan terapan dan

contoh-contoh spesifik, TD kecil, KU Schnabel, dan J. Baumert, eds. Mahwah, New Jersey: Lawrence Erlbaum Associates. Zhu, H. T., dan S. Y. Lee. 2001. Sebuah analisis Bayesian campuran terbatas dalam model LISREL. Psychometrika, 66:1, 133-152.

Indeks

aditif konstan (intercept), 221 ADF, asimtotik distribusi bebas, 594 tes diterimanya dalam estimasi Bayesian, 420 AGFI, disesuaikan kebaikan-of-fit indeks, 614 AIC kriteria Akaike informasi, 309, 605 Burnham dan pedoman Anderson untuk, 326 bobot Akaike , 628, 629 menafsirkan, 328 melihat, 327 alternatif untuk analisis kovarians, 145, 241 Amos Graphics, meluncurkan, 9 metode AmosEngine, 57 analisis kovarians, 147 alternatif, 145, 241 perbandingan metode, 256 Anderson iris data, 521 , 539 asumsi oleh Amos tentang analisis kovarians, 241 tentang korelasi antara variabel eksogen,

77

tentang distribusi, 35 tentang data hilang, 270 tentang parameter dalam model pengukuran, 245 tentang regresi, 221 asimtotik, 30 autokorelasi petak, 402, 505

Estimasi Bayesian, 385 dari estimands tambahan, 428 Bayesian imputasi, 462 BCC Browne-Cudeck kriteria, 309, 606 Burnham dan pedoman Anderson untuk, 326 model membandingkan menggunakan, 326 grafik terbaik cocok untuk C, 338 untuk langkah-langkah fit, 339 titik yang semakin berkurang kembali, 339 BIC Bayes informasi kriteria, 606 model membandingkan menggunakan, 347 bootstrap, 295-301 ADF, 314 pendekatan perbandingan model, 303-310 membandingkan metode estimasi, 311-318 kegagalan, 309 GLS, 314 ML, memantau kemajuan 314, 297 jumlah sampel, 297, 307 sampel, 303 kekurangan, 296 meja informasi diagnostik, 299 ULS, 314 batas. Lihat batas kategori burn-in sampel, 395

spesifikasi mundur heuristik pencarian, 358 model baseline, 625 perbandingan, 608 menentukan, 626 Bayes faktor, 628, 629 rescaling dari, 331 Bayes 'Teorema, 385

647

CAIC, AIC konsisten, 607 menghitung rasio kritis, 110 perkiraan standar, 33 Caption metode pd

untuk menggambar diagram jalur, 583

648 Indeks

batas kategori, 495 data tersensor, 475 CFI, indeks fit komparatif, perubahan perilaku 612 default, 243 default, 243 font, 27 orientasi wilayah menggambar, 86 metode probabilitas chi-square, 281 statistik chi-square, 53 layar di keterangan gambar, 53 kesalahan klasifikasi, 536 CMIN perbedaan minimum fungsi C, 120, 599 meja, 368 CMIN / DF, fungsi perbedaan minimum dibagi dengan derajat kebebasan, 601 hasil menggabungkan file data kalikan diperhitungkan, 471 model analisis faktor umum, 139 model faktor umum, 138 faktor umum, 139 membandingkan model menggunakan faktor Bayes, 329 menggunakan BCC, 326 menggunakan BIC, 328, 347 Model kompleks, 598 tes kondisional, 260 kondisi untuk identifiability, 140 batas kepercayaan, 615, 616 AIC konsisten (CAIC), 309 membatasi covariances , 44 sarana dan penyadapan, 378 parameter, 14 varians, 42 kendala menambah meningkatkan model 110 regresi linier konvensional, 67 konvensi untuk menentukan perbedaan kelompok, 161 konvergensi dalam estimasi Bayesian, 396 di distribusi, 396 ringkasan posterior, 397

copy diagram jalur, 21 keluaran teks, perkiraan korelasi 21 sebagai output teks, 34 korelasi antara variabel eksogen, 77 metode Cov pd untuk menggambar diagram jalur, 582 covariances imbang, 190 label, 191 struktural, berisi perkiraan 365, 242 membuat grup kedua, 191 diagram jalur, 87 Interval kredibel, 386 daerah yang kredibel, 406 rasio kritis, 30 menghitung, 110 kendala lintas kelompok, 232 menghasilkan, 379 parameter yang terkena, 366 pengaturan secara manual, 369 estimands kustom, 437

Model data dan metode spesifikasi, 57 file data, 11 Data imputasi, 270, 461, 484, 516 input data, 46 data yang recoding, 477, 492, 512 metode deklaratif, 57 default, mengubah, 243 derajat kebebasan, 32 langkah deskriptif cocok , 625 DF, derajat kebebasan, 598 diagnosa MCMC, 504 efek langsung, 122 fungsi perbedaan, 593 asumsi distribusi untuk model Amos, 35 tarik sifat opsi, 189

649 Indeks

menggambar covariances, 190 area gambar menambahkan path kovarians, 90 menambahkan variabel teramati, 90 perubahan orientasi, 86 bobot pengukuran kepemirsaan, 366 model pengukuran duplikat, 88

variabel tetap, 35 FMIN, nilai minimum ketidaksesuaian F, 602 maju heuristik spesifikasi pencarian, 358 parameter bebas, 38

ECVI, memperkirakan indeks cross-validasi, 607 variabel endogen, 69, 76 EQS (program SEM), 243 kendala kesetaraan, Format 140 persamaan untuk metode AStructure, 78 mendirikan covariances, 27 perkiraan sarana dan pilihan penyadapan jika tidak dipilih, 212 saat dipilih, 212 memperkirakan efek tidak langsung, 425 berarti, 209 ragam dan covariances, 23 Kelompok Studi Nilai Eropa, 489 lengkap spesifikasi pencarian, 358 variabel eksogen, 38, 69, 76, 78 analisis eksplorasi, 101 analisis faktor eksplorasi, 344, 349

model yang dihasilkan, 367 menghasilkan kendala lintas kelompok, 379 GetCheckBox metode pd, 588 GFI, indeks goodness-of-fit, 613 GLS, umum kuadrat terkecil, 594 grafik kecocokan, 338 sebar fit dan kompleksitas, 333 scree plot 340 Metode GroupName, 172

heuristik spesifikasi pencarian, 349, 358 mundur, maju 358, 358 keterbatasan, 361 bertahap, 358, 359 HOELTER, N kritis, 615 homogenitas variansi dan kovariansi, 546 pengujian hipotesis, 52

F0, fungsi perbedaan populasi, 603 analisis faktor, 137 eksplorasi, 349 Model, 229 dengan cara terstruktur, 229 faktor loadings, 139, 365 faktor berarti membandingkan, 370 menghapus kendala, 371 faktor skor bobot, 122 Fisher iris data, 521, 539 fit tindakan, 597, 617, 621 pas semua model, 368 dalam analisis tunggal, 188

identifiability, 67, 139, 619 kondisi untuk, 140 kendala identifikasi, 148 IFI, indeks fit tambahan, 611 solusi tepat, 410 imputasi Bayesian, data yang 462, 461, 484, 516 model berbasis, 462 beberapa, 462 regresi, 461 stokastik regresi , 461 Model kemerdekaan, 272, 275, 306, 597

650 Indeks

efek tidak langsung, 122 Penaksiran, 425 menemukan interval kepercayaan untuk, 431 melihat standar, 427 kendala ketimpangan pada data, 481, 488 langkah informasi teori fit, 605 iris data, 521, 539

jurnal tentang pemodelan persamaan struktural, 5 model yang hanya diidentifikasi, 73

keluaran label, 51 varians dan covariances, 191 label switching, 554, 576 analisis struktur laten, 537, 553 variabel laten distribusi prediksi posterior, 511 dependensi linear, 69 LISREL (program SEM), 243 penghapusan listwise, 269

Mainsub fungsi, 579 MCMC diagnostik, 504 sarana dan pemodelan mencegat, 209 sarana dan penyadapan menghambat, 370, 378 kesalahan pengukuran, model pengukuran 69, 83, 304 residu pengukuran, 366 bobot pengukuran, 365 tampilan di area gambar, 366 ukuran fit , 597 MECVI, dimodifikasi memperkirakan indeks cross-validasi,

608

metode untuk mengambil hasil, 57 minimal perbedaan fungsi C, 120

data yang hilang, 269-293 penyalahgunaan indeks modifikasi, 110 model campuran, 521 ML, estimasi kemungkinan maksimum, 593 model faktor umum, 138 analisis faktor umum, 139 kompleks, 598 imbang, 140 anak panah menggambar di, 13 variabel menggambar di, 11 faktor analisis, 229 yang dihasilkan, 367 identifikasi, 67, 70, 85, 103, 131, 139, 148, 230 meningkatkan dengan menambahkan kendala baru, 110 kemerdekaan, 272, 275, 306, 597 hanya diidentifikasi, 73 pengukuran, 83, 304 modifikasi , 104 penamaan variabel dalam, 12 bersarang, 260 baru, 10 nonrecursive, 76, 129, 131 rekursif, regresi 76, 9 penolakan, 104 jenuh, 73, 272, 275, 306, 597 sederhana, 598 persamaan simultan, 175 spesifikasi, 38 tentukan, 11 stabil, 135 struktural, 84 uji satu terhadap yang lain, 96 tidak stabil, 135 tanpa sarana dan penyadapan, 363 nol, 597 spesifikasi model, non-grafis, 577 imputasi berbasis model, model 462 individu, lihat grafis untuk, 119 beberapa dalam analisis tunggal, ganda 116, melihat statistik, 119 indeks modifikasi, 105, 110, 382 penyalahgunaan, 110 permintaan, 149

651 Indeks

benda bergerak, 15 imputasi ganda, 462 beberapa model dalam analisis tunggal, 116 analisis beberapa kelompok, 377 beberapa kelompok analisis faktor, kalikan 363 data file diperhitungkan, menggabungkan hasil, 471 kalikan dataset diperhitungkan, 469 analisis multivariat varians, 216

penamaan kelompok, 196 variabel, 26 NCP, parameter noncentrality, 602 varians negatif, 153 model bersarang, 260 grup baru, 56, 77, 172 NFI, indeks bernorma fit, 609 NNFI, indeks fit non-bernorma, 611 distribusi prior non-diffuse , 409 non-grafis spesifikasi model, 577 non-identifiability, 619 Model nonrecursive, 76, 129, 131 distribusi normal, 35 NPAR, jumlah parameter, 598 Model null, 625 estimands kustom numerik, 443

Diamati metode pd untuk menggambar diagram jalur, 580 memperoleh jatah penting untuk perbedaan parameter, 182 kuadrat beberapa korelasi, 133 perkiraan standar, 133, 142 jendela Occam, simetris, 331 keluaran opsional, 16, 33, 48, 121 data yang memerintahkan-kategorikal, 489

P, probabilitas, 599 berpasangan penghapusan, 270 kendala parameter, 41 parameter spesifikasi struktur estimasi, 78 parameter dipengaruhi oleh kendala lintas kelompok, 366 sama, manfaat menentukan, 44 menentukan sama, kekikiran 43, 598 indeks kekikiran, 612 metode Jalur pd untuk menggambar diagram jalur, 582 diagram jalur, 3 mengubah penampilan, 15 melampirkan file data, 24, 46 membatasi parameter, 14 copy, 21 membuat, 87 menghapus objek, statistik chi-square 15 layar, 53 panah imbang, 13 model pengukuran duplikat , 88 Format benda, 45 objek bergerak, 15, 45 baru, 24 cetak, 20 mengulang tindakan, 16 membentuk kembali sebuah objek, 15 indikator memutar, 88 tentukan nama grup di caption, 176 membatalkan aksi, 16 PCFI, indeks fit komparatif pelit , 613 pclose, selama hampir fit dari RMSEA penduduk,

605

pd metode Caption, 583 Cov, 582 GetCheckBox, 588 Diamati, 580 Jalan, 582 Reposisi, 582 SetDataFile, 588 UndoResume, 583 UndoToHere, 583 teramati, 581

652 Indeks

PGFI, kekikiran kebaikan-of-fit indeks, 615 Plot jendela tampilan grafik kecocokan, 339 scree plot 340 PNFI, indeks fit bernorma pelit, 613 titik yang semakin berkurang, 332, 339, 342 populasi perbedaan ukuran model kecukupan, 602 distribusi posterior, 385 berarti, deviasi standar 386, 386 distribusi prediksi posterior, 481, 506, 535, 551,

572

RNI, indeks noncentrality relatif, 612 indikator rotate, 88

untuk variabel laten, 511 PRATIO, rasio penghematan, 599 distribusi prediktif. Lihat posterior variabel prediksi distribusi prediktor, 36 distribusi prior, 385, 387, 409 dari proporsi kelompok, 575 probabilitas, 30

jumlah biji acak, 392 variabel acak, 35 Data recoding, 477, 492, 512 Model rekursif, 76 imputasi

regresi, model regresi 461, 9, 14, 478 regresi bobot memperbaiki, 70 membuat opsional, 351 teridentifikasi, 73 Reposisi metode pd untuk menggambar diagram jalur, 582 permintaan indeks modifikasi, 149 langkah Rescaled, 627 membentuk kembali sebuah objek, 15 RFI, indeks fit relatif, 610 RMR, root mean square residual, 616 RMSEA, root mean square error dari perkiraan,

603

Model jenuh, 73, 272, 275, 306, 597 sebar baris menyesuaikan konstan fit, 335 menyesuaikan garis yang mewakili C - df, 337 garis yang mewakili C - df, 336 garis mewakili konstan fit, 335 fit dan kompleksitas, 333 jalur lain yang mewakili konstan fit, 338 scree plot 342 untuk C, 340 biji, nomor acak, 392 Semnet, 5 SetDataFile metode pd, 588 model sederhana, 598 analisis secara simultan dari beberapa kelompok, 159 Model persamaan simultan, 175 analisis faktor simultan, 195 SLS, skala bebas kuadrat terkecil, 595 ruang vertikal, spesifikasi 190 pencarian, 319-348 Akaike bobot, 327 CAIC, 622 CFI, 621 model membandingkan dengan faktor Bayes, 329 model membandingkan menggunakan BCC, 326 model membandingkan dengan BIC, 328 konfirmasi, 320 faktor eksploratori analisis, 344, 349 model yang dihasilkan, 324 heuristik, 349, 358 meningkatkan kecepatan, 323 model membatasi dipertahankan, 322 jumlah parameter untuk digunakan, 332 panah opsional, 345 estimasi parameter, 325 performing, 323 titik yang semakin berkurang, 332 pilihan program , 322 anak panah yang diperlukan, 321 ulang default, 322, 345

653 Indeks

RMSEA, 621 melihat tindakan fit, 323 dengan beberapa panah opsional, 320 menentukan manfaat parameter yang sama, 44 Paramater yang sama, 43 nama grup di keterangan gambar, 176 menentukan kelompok perbedaan konvensi, 161 kuadrat korelasi berganda, 144 indeks stabilitas, 135 uji stabilitas di estimasi Bayesian, 420 model yang stabil, 135 perkiraan standar, 33, 132 memperoleh, 142 tampilan, 143 pengujian hipotesis statistik, 104 imputasi regresi stokastik, 461 covariances struktural, 365 model persamaan struktural, 2 jurnal, 5 metode untuk memperkirakan, 2 model struktural, 84 struktur spesifikasi, 57, 78, 79 estimasi parameter, 78 waktu kelangsungan hidup, window 476 symettric Occam, 331

jejak alur, 401, 504, 554 data training, 521

ULS, tertimbang kuadrat terkecil, 595 estimasi objektif ragam dan covariances, 242 variabel berkorelasi, 60 metode UndoResume pd, metode 583 UndoToHere pd, 583 bobot regresi tak dikenal, 73 faktor yang unik, 139 variabel yang unik, 78 metode teramati pd untuk menggambar

diagram jalur, 581 variabel teramati, 81 model yang tidak stabil, 135 menggunakan BCC untuk membandingkan model, 354

tes untuk variabel uncorreletated, 60 pengujian hipotesis tentang cara, 209 file teks dengan hasil, 56 macro teks, 52, 598-617 output teks copy, 21 menipis, 414 ambang batas. Lihat kategori batas waktu-series plot 401 TLI, indeks Tucker-Lewis, jumlah 611 efek, 123

variabel endogen, 69, 76 nama yang masuk, 90 eksogen, 69, 76, 78 yang unik, 78 teramati, label varians 81, 191 berisi perkiraan, 242 tampilan model yang dihasilkan, 367 keluaran grafis, 19, 28 parameter subset, 366 perkiraan standar, 143 efek standar tidak langsung, 427 keluaran teks, 18, 29

Model nol, 597 rescaling berbasis nol, 627